受益于高光谱图像中高光谱分辨率的优势,其在军事、农业和地质勘探等领域有着广泛应用。其中,高光谱图像分类是诸多应用的前提和基础,一直是研究热点之一。然而,高光谱图像分类存在以下几个难点问题:首先,高光谱数据具有数十乃至上百维光谱,丰富的光谱信息能够提高对地物目标辨别能力的同时,也造成了严重的维数灾难问题和存储与计算压力。其次,受成像条件、空间分辨率以及地物重叠等因素,高光谱数据往往存在“同谱异物,同物异谱”的问题,仅利用光谱信息容易造成高光谱图像的分类性能不佳。最后,由于高光谱图像地物分布复杂,获取大量和高质量的有标签样本是昂贵且耗时的,这种小样本问题容易导致分类模型过拟合。针对以上问题,本文提出了几种新颖的基于卷积和图神经网络的高光谱波段选择方法,用于高光谱图像的高精度分类任务,主要研究内容总结如下:(1)本文提出了一种基于波段独立卷积和硬阈值函数的卷积神经网络,它将波段选择、特征提取和分类结合到一个端到端的可训练网络中。在该网络模型中,首先构造了基于波段独立卷积的波段选择层,该层针对输入的每个波段独立地执行1?1卷积。然后,利用硬阈值函数将未选定波段的对应权重约束为零,从而实现波段选择。此外,为解决被置零权值无法在反向传播算法中有效更新的问题,提出了分别使用直通估计器和设计新的从粗到细损失两种解决方法,相比于直通估计器的梯度近似,新设计的损失能够提高可解释性。最后,在所提网络模型的后续层中,构建了多尺度的三维孔洞卷积提取空谱联合特征,以及构建辅助分类器帮助选择更具判别力的波段。(2)本文提出一种基于附加分枝和空谱联合模块的新型图卷积神经网络,用于高光谱图像波段选择和分类。首先,针对高光谱数据的特性,分别以波段和样本为节点建立了基于特征值和空间位置的图型数据。其次,设计了基于以波段为节点的图型数据的附加分枝。附加分枝通过整合波段邻域信息计算波段选择掩膜值,该掩膜值被嵌入至主干网络第一层,通过掩膜约束图卷积层实现波段选择。最后,设计了基于空谱联合模块和多层特征密集融合的后续网络模型,将波段选择、特征提取和分类融合至统一的优化过程中。(3)本文提出了一种具有局部空间约束与非局部谱间约束的样本增强和多层空谱联合特征融合方法,其被用于高光谱图像分类。在该方法中,构造了具有三分枝结构的卷积神经网络模型,通过将不同结构提取的光谱特征与双尺度空间特征在不同层级间融合,其能够学习具有细节纹理信息的浅层和具有抽象语义信息的深层之间的互补信息。为了减轻小样本问题,选择并预标记在局部空间约束和非局部谱间约束中具有高置信度的未标记样本,然后用于扩充训练集以学习网络模型参数。其中,局部空间约束利用空间邻近样本的上下文信息,而非局部谱间约束在非局部区域中考虑光谱相似的样本结构信息。