高光谱图像具有光谱分辨率高且图谱合一的特点,近年来对高光谱数据的分析与处理已经成为遥感影像研究领域的热点之一。高光谱图像分类任务在地质勘探、农作物检测、国防军事等领域都发挥着重要的作用,需要更加深入的研究。深度学习具有优异的提取数据本质特征的能力,本文为提升高光谱图像的分类精度提出了两种基于深度学习的分类方法,主要研究内容如下:(1)提出了一个可用于高光谱图像降维的双分支耦合网络,该网络由一维卷积耦合网络分支和词嵌入耦合网络分支构成,可实现由类标空间到降维表示空间的映射并可为降维输出引入聚类特性。实验表明,聚类特性的引入增大了类间的判别性、缩小了类内差异,减少了因“同物异谱,异物同谱”所致的错分像素点的数目,进而提升了分类精度。(2)针对双分支耦合网络,提出了相应的损失函数及基于贪心策略的迭代交替网络训练方法。损失函数中包含分类损失和用于为降维输出引入聚类特性的聚类损失,该训练方法依据贪心算法,通过交替最小化分类损失和聚类损失,迭代地求取网络参数的局部最优解,使得整个网络模型的参数逐步达到全局最优。实验显示,基于所提方法训练双分支耦合网络可得到有利于分类的降维表示。(3)提出了一种基于生成式类别概率分布的高光谱图像分类方法。在该方法中提出使用高斯分布表示训练样本的类别信息,并将得到的类别概率分布向量样本作为真实样本输入生成对抗网络。生成器可通过对真实样本的学习来生成类别概率分布,进而实现对高光谱图像的分类,判别器在训练的过程中只需要判别数据来源的真假。同时,提出了采用半监督的网络模型对类别概率分布向量样本以及无标记样本进行学习。不同于多数方法将训练样本的类标信息作为条件信息输入生成对抗网络,在该网络模型中,将以无监督方式提取的空间光谱特征作为条件信息输入网络,从而利用无标记样本。在多个高光谱数据集上的实验显示,该方法解决了将生成对抗网络应用于多分类任务时,判别器既要判别样本的真假又要对样本进行分类的问题,有效地提升了分类效果。