为了充分利用大量未带标记的数据,提出了一种简单而有效的基于卷积神经网络的半监督学习方法并用于高光谱图像(hyperspectral images, HSIs)分类。首先,构造了一种同步处理带标签和未带标签数据的卷积神经网络模型;其中,带标签数据用于训练softmax分类器,并为未带标签数据提供初始的K-means聚类中心。在此基础上,将K-means聚类损失函数和softmax分类损失函数结合起来定义了一种新的混合损失函数来训练深度网络,该损失函数可在带标签样本有限的情况下,充分利用未带标签数据来有效地提高深度网络提取特征的鉴别能力,从而有效地改善深度神经网络的高光谱图像分类能力。通过在PaviaU、PaviaC和Salinas数据集上进行实验,方法的总体分类精度分别达到了98.49%、99.45%和94.64%;与传统基于卷积神经网络的高光谱图像分类相比,半监督学习方法能够改善特征提取的性能,从而获得更好的分类效果,同时,此方法的网络结构简单且易于训练。