高光谱图像是高光谱成像设备在一定波段范围内对地物进行连续扫描或者拍摄得到的图像数据,其中包含着地物丰富的光谱信息和空间信息。高光谱图像分类是遥感领域的一个基础而又重要的研究方向,它利用现代科学方法对获得的高光谱图像中的每个像素点进行分类标定。然而,高光谱图像样本数量不足仍然是限制分类精度进一步提升的主要问题。高光谱图像既包含光谱信息又包含空间信息,如何将这些信息数据充分利用,深度挖掘其潜在信息特征是提高高光谱图像分类精度的重要研究思路。针对先验样本不足与如何充分发挥有限信息的表达能力,本文使用深度学习的方法,提出了一种基于生成对抗网络的充分挖掘的高光谱图像空间光谱信息方法。（1）针对高光谱图像先验样本不足的问题,提出了基于GAN窗口生成的高光谱图像分类方法,通过生成器与判别器的对抗学习,生成以目标像素为基准点的窗口数据,利用生成的大量样本,来弥补小样本的问题。将生成样本投入分类网络进行训练,通过实验验证分析,该方法相比于传统方法分类精度得到提升。（2）针对高光谱图像数据繁杂、噪声较多、冗余度高的问题,提出了基于GAN波段生成的高光谱图图像分类方法,利用生成对抗网络对整幅高光谱图像的各个波段进行学习,生成整幅特征相对清晰、质量整体相对较高的高光谱图像,最后将生成的波段样本与原始降维数据样本进行累加,利用3DCNN网络完成类别输出,通过实验验证,加入生成波段后的高光谱图像分类精度得到提高。（3）针对如何充分利用高光谱图像蕴含信息的问题,提出了一种对高光谱图像的光谱信息与空间信息分别进行特征提取与生成对抗的双通道分类方法。其中一条通道通过2DCNN对空间信息进行提取,另外一条通道利用1DCNN对空间信息进行提取,最后两条通道同时输出结果,并通过类一致性损失,训练输出最佳分类结果。这一方法在小样本的情况下,充分利用可获得的数据的光谱信息和空间信息,得到较高精度的分类结果。（4）针对如何简洁高效的利用光谱和空间信息的问题,不同于以往利用双通道分别提取的方法,而是通过3DCNN对高光谱图像数据进行特征提取,可以同时获取光谱信息与空间信息。此外,通过引入多重注意力机制,加强了光谱空间,突出了特征信息的权重,其中的时间注意力机制与空间注意力机制十分契合高光谱图像的光谱信息和空间信息。相比于前几章的高光谱图像分类方法,本章算法在小样本的情况下获得了最佳分类效果。