高光谱遥感图像通常包含丰富的光谱信息和地理位置信息,而有关高光谱图像分类的任务一直是遥感技术广泛应用的基础性技术,而高光谱遥感的海量数据、高维、小样本等特点通常给图像的分类带来机遇和挑战。一方面传统的对高光谱分类的方法对高光谱图像的特征提取能力较弱,另一方面在实际应用中,常规的高光谱样本数据集标记类别较少,额外获取标注的信息成本较高。基于此,本文针对高光谱图像分类任务,一方面通过Gabor滤波器对高光谱图像进行预处理,再结合卷积神经网络进行深层的特征提取完成图像分类,另一方面对生成对抗网络模型进行合理改进,首次提出了其在高光谱图像监督分类和半监督分类中的网络模型。该模型不仅可以有效的提高对高光谱图像的特征提取能力,还可以有效结合大量未标注样本,利用半监督的方法进一步的改善分类精度。论文的主要内容包括:首先针对标注样本较少的小样本情况,论文在深度卷积神经网络的基础上,有效的结合了Gabor滤波的方法来对图像进行预处理,缓解深度神经网络在较少训练样本产生的过拟合现象。其次为了进一步的提高对高光谱图像的特征提取能力,本文首次提出了基于深度卷积神经网络的生成对抗网络方法,该方法不仅可以利用高光谱图像的光谱信息,还可以有效的结合其空间谱信息。通过生成器和判别器两个网络对抗的思想,模型得到进一步的训练和优化,与传统方法相比可以有效的改善分类精度。另一方面,论文还利用生成对抗网络完成高光谱图像半监督的分类任务,将未标注的样本送入训练好的DenseNet的网络模型对样本进行标签的预测,之后将未标注样本及预测标签与原始带标注的样本数据集共同送入Semi-GAN之中来对模型进行训练,此方法可以用来改善较少标注样本分类得到的决策平面,从而有效地缓解标注样本稀缺的问题。