高光谱图像作为遥感图像的一种,具有分辨率高,谱像合一等优势,被广泛应用于军事探查,农业研究,环境监测等领域。高光谱图像在每个像元上通常具有上百个波段,蕴含丰富的光谱信息,但是由于高光谱数据标注困难,每幅高光谱图像中只有少部分像元被标注,这导致验证算法的分类效果时只能在少量标注的数据中选择一部分用作训练,一部分用作验证,如今研究的趋势是使用少量的样本进行训练来得到好的分类效果。这时大量的波段信息会使得模型难以学习到高光谱图像中蕴含的空间信息,同时过多的波段数也会使得模型的复杂度提升。因此,如何有效的对高光谱图像进行降维处理成为高光谱图像分类的首要任务。高光谱图像拥有空间和光谱两种信息,虽然高光谱图像中标注数据量少,但是没有标注的像元同样蕴含丰富的信息,如何有效利用这些无标签数据以及如何有效的融合空间与光谱信息成为高光谱图像分类的难点问题。基于以上分析,本文从高光谱图像波段选择方法,有效利用无标签数据以及融合空谱信息入手,提出以下内容:针对高光谱数据波段冗余问题已经有许多无监督的波段选择方法,其中大多数是通过手工设计特征,计算波段之间相关性的启发式算法。本文将波段选择过程视为马尔可夫决策过程,采用强化学习的思想,训练一个智能体进行波段的选择。智能体对当前已经选择的波段进行判断,从而进行下一个波段的选择,同时获得选择该波段后得到的奖励。最终使得智能体所选波段收获的奖励尽可能大。最终使用选择的波段进行分类训练,在三个经典的高光谱数据集中得到比其他波段选择方式更好的分类精度,验证了本方法的有效性。在高光谱图像标注数据量少的情况下,深度神经网络难以从中学习到足够的特征,从而难以将数据在特征空间中分离开来。针对此问题,本文研究了基于上下文的自监督学习方法在高光谱图像分类上的表现,分别针对空间信息和光谱信息提出基于上下文的自监督训练方式,从而提供给模型预训练模型。网络在此预训练模型上进行下游分类任务的微调,从而提升网络的分类能力。同时提出一种空谱联合网络,该网络可以应用此预训练方法。使用三个公开数据集进行验证,证明加入本文提出的自监督预训练后,分类精度得到提升,验证了本方法的有效性。在使用少量标注样本训练时,只考虑空间或光谱信息往往不能获得好的分类效果。空间信息一般对边缘像元不敏感,光谱信息通常容易被噪声影响。针对这一问题,本文对Transformer进行改进,提出一种空谱联合的网络结构,同时引入注意力机制,使得代表类别的像元的特征更加突出。通过实验,证明本方法在使用少量有标签样本训练时能够在三个公开数据集中拥有更好的鲁棒性以及分类效果。