近些年来,随着遥感技术的飞速发展,高光谱图像的分类任务引起了社会的广泛关注。为了解决高光谱图像的分类问题,需要大量的有标记样本。然而,实际上,在一些高光谱图像场景中有标记样本非常少或不存在有标记的样本,而人工标记这些样本又存在局限性,在这种情况下,高光谱图像的分类任务会变得非常困难。但同时在类似场景中存在较多有标记的样本,因此可以利用拥有较多有标记样本的高光谱场景(源域)帮助有标记样本明显不足的高光谱场景(目标域)进行分类。然而,在两个不同的高光谱场景中,由于图像采集时的大气和光照条件不同,以及同一地物类别在不同时空的物质组成不同,场景间经常发生光谱偏移现象。光谱偏移的存在带来域间严重的数据分布差异现象,导致源域有标记样本训练的分类模型无法适应于目标域。针对以上问题本文结合迁移学习的方法研究并提出了基于权重自适应的深度域适应高光谱图像分类方法以及基于半监督的两阶段深度域适应高光谱图像分类方法。主要工作如下:(1)针对不同场景中高光谱图像数据分布存在差异的问题,本文从监督学习的角度进行研究并提出了基于权重自适应的深度域适应的高光谱图像分类方法。首先,该方法充分的利用了源域的大量有标记样本和目标域的少量有标记样本,通过域间的相似性损失提取出目标域中更具类别判别性的特征。其次,该方法通过自适应的调整域间相似性损失与源域的交叉熵损失的权重得到域间域不变的特征。最后,该方法通过利用少量的目标域有标记样本对网络进行了微调。(2)针对不同场景中高光谱图像数据分布存在差异的问题,本文从半监督学习的角度进行研究并提出了基于半监督的两阶段深度域适应的高光谱图像分类方法。该方法可以最小化两个域间的数据分布差异,并利用极少的目标域有标记样本学习更具判别性的深度嵌入空间。首先,该方法根据最大平均差异准则,通过最小化源域和目标的域间分布距离来学习深度嵌入空间。其次,该方法基于成对损失最小化来自不同域的但相同类别的样本间的分布距离,并最大化来自不同域的不同类别的样本间的分布距离,同时利用空间光谱孪生网络减少数据分布差异并学习更具判别性的深度嵌入空间。最后,对于分类任务,将softmax层替换为线性支持向量机,使基于边距的损失(margin-based loss)最小化,对目标域样本进行分类。