随着光学和光子学的日益成熟,高光谱技术也由此得到了显著的发展,由数百个相邻波段组成、包含大量有用信息的高光谱图像可以很容易被获取。在过去的几十年里,高光谱图像分类在军事目标探测、植被监测、灾害防治等领域发挥了重要作用。到目前为止,已经提出了多种不同的方法来对高光谱图像的像素进行分类。然而高光谱数据标注昂贵,因此我们着重研究高光谱数据的半监督和非监督分类问题。考虑到高光谱数据具有较高的空谱耦合关联性,如何表达和学习该关联性是后续有效分析的重要前提。图模型,特别是近年来引起广泛关注的图深度网络,是表示样本间复杂关系的有力方法,可以有效表达高光谱数据的空谱关联性。为此,本文主要研究了基于图模型的高光谱图像分类方法,主要包括:提出了一种标签约束弹性网图的半监督分类算法。图半监督算法联合利用少量的标定样本与大量的无标签数据进行学习,充分利用有限的样本标签信息,通过顶点间的约束传递形成标签约束矩阵,进而针对每一顶点自适应选取符合标签约束的像素作为表示字典,并通过在该字典上的弹性网表示来选择与其最为关联的近邻样本,构建高光谱图像的图表示模型,并基于该图模型实现高光谱图像的半监督分类。提出了一种图卷积网络嵌入表征的非监督分类算法。针对高光谱数据维度过高、训练样本不足以及空间分辨率高的问题。首先利用超像素算法对高光谱图像进行预分割,对超像素求解弹性网表示,构建超像素点的图表示模型。然后,本文进一步研究图模型上的深度学习方法,利用无监督的图卷积网络学习图中各顶点的嵌入,获取更优的低维特征表示,最后通过K-Means算法实现聚类。