随着成像光谱技术的日益成熟，高光谱遥感正在向高光谱分辨率、高空间分辨率、高时间分辨率的方向快速发展。与此同时，大量高光谱遥感卫星的成功发射，使高光谱遥感影像的数据量进一步呈现出爆炸性式增长的趋势。面对如此海量的高光谱遥感数据，现有的分类技术难以满足快速、精准、自动化的影像解译需求。

作为人工智能技术的一项重要研究分支，深度学习旨在对人脑的层次化思维过程进行模拟，赋予计算机以自主学习的能力，使计算机能够从海量的数据中提取有效的层次化特征表达，像人脑一样对文字、图像、声音等数据进行准确的识别。该技术具有数据拟合能力强、特征提取自动化程度高等优势，为当前遥感影像处理开辟了一条全自动、智能化的新途径。

基于上述研究背景，本文从监督学习、半监督学习、无监督学习、对抗防御4个方面，系统性地开展了基于深度学习的高光谱遥感影像分类方法研究。本文的主要研究内容与创新之处包括：

1）本文系统地总结了当前高光谱遥感影像分类的主要研究理论与方法，并对现有基于深度学习的分类方法的不足进行了详细的分析与讨论。

2）针对现有深度学习方法在高光谱影像分类中通常将光谱特征提取、空间特征提取与分类器训练分开进行，使得特征学习与分类器训练不能共享统一的目标函数的缺陷，提出了一种空谱一体化的监督学习网络模型，将光谱特征提取、空间特征提取与分类器训练纳入到一个统一的网络框架下进行端到端的学习。在模型具体的实现中，考虑到高光谱数据相邻波段间的光谱连续性，提出了一种基于波段分组的长短时记忆模型用于光谱特征提取。在空间特征提取分支，提出了一种多尺度卷积神经网络用于学习不同尺度下的空间特征表达。

3）针对传统深度学习方法在遥感影像解译过程中面临的标记样本不足的难点，提出了一种鲁棒自集成网络对高光谱遥感影像进行半监督特征学习与分类。该方法包含一个基础网络与一个集成网络，通过来自标记数据的监督损失与未标记数据的无监督损失的共同约束，基础网络和集成网络可以相互学习，实现自集成学习的机制。为了提升网络半监督学习过程中的稳定性，进一步提出了一种一致性过滤器，用于筛选置信度较高的未标记样本。

4）针对传统深度学习方法模型复杂度高、训练耗时长等问题，提出了一种基于随机块网络的高光谱遥感影像无监督特征学习方法。该方法直接从原始影像中提取随机块作为卷积核，学习层次化的空间特征表达，无需预训练操作。在显著减少训练时间的同时，随机块网络还能达到高精度的分类效果。

5）针对深度网络极易受到对抗样本威胁的问题，提出了一种基于自注意力上下文网络的对抗防御模型用于高光谱遥感影像分类。该方法通过自注意力学习和上下文编码，构建高光谱遥感影像中像素间的空间依赖关系，提取全局上下文特征。在受到对抗攻击污染的高光谱遥感数据上，该方法依然能保持优越的地物识别精度，从而更好地满足高光谱遥感影像分类任务对安全性和可靠性的需求。同时，本文详细地分析了高光谱对抗样本具有的特性，以及对深度神经网络的影响。