近年来,高光谱图像分类逐渐成为了高光谱领域中的研究热点,在国民经济发展和国家安全中都发挥着重要作用。高光谱图像具有维度高、冗余性高、数据量大等特点,对高光谱图像特征提取以提高分类准确度是高光谱图像分类任务中的关键问题,特征质量的好坏直接影响着分类准确度的高低。但是,高光谱图像的同物异谱和同谱异物现象、带标签样本数量少、样本标记成本高,以及巨大的数据量使得高光谱图像的特征提取和分类面临着许多困难和挑战。为了改善上述问题,本文结合生成对抗网络（generative adversarial networks,GAN）和卷积神经网络（convolutional neural networks,CNN）对高光谱图像进行特征提取。论文的主要研究工作如下:（1）为了降低对高光谱图像中标记样本的依赖,在CNN的基础上引入GAN,提出了一种无监督的高光谱图像特征提取方法。为了稳定网络的训练过程,提高生成对抗网络中判别器的特征表示能力,在目标函数中引入梯度惩罚项。在特征提取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度的同时尽可能保留高光谱图像的光谱信息。使用支持向量机（support vector machine,SVM）和k近邻（k-nearest neighbor,KNN）方法对提取到的特征进行分类测试,在两个真实数据集上的实验结果表明,提出的方法优于传统的特征提取方法。（2）针对上述高光谱图像特征提取所面临的困难和问题,着力于高光谱图像的空-谱联合特征提取和模型适应能力的提高,基于生成对抗网络提出一种无监督高光谱图像空-谱特征提取方法。该方法将GAN和CNN相结合,同时使用高光谱图像的光谱信息和空间信息,通过互补信息来缓解同物异谱和同谱异物现象的影响,采用主成分分析（principal component analysis,PCA）算法对高光谱图像降维以降低计算量,提高模型对不同数据集的适应能力,降低训练时间和成本。在三个高光谱数据集上的实验结果表明,提出方法得到的空-谱特征具有良好的分类表现。（3）为了解决高光谱图像标记样本少的问题,本文提出了一种基于样本生成的高光谱图像特征提取方法。该方法中首先使用带辅助分类器的生成对抗网络（auxiliary classifier generative adversarial networks,ACGAN）得到带有标签的生成样本,再将生成样本与真实样本混合用于CNN的训练,然后将训练良好的CNN用于原始数据的特征提取。在样本数量极不均衡的Indian Pines数据集上进行了实验,结果表明,提出方法得到的特征具有较好的分类表现,证明了样本扩充的有效性。