高光谱图像分类普遍利用光谱特征,而光谱特征的可分性不足,导致分类精度不高。同时,由于同一样本在不同高光谱图像中的特征分布不同,导致传统分类方法无法在多个高光谱图像中对同一样本实现有效分类。本文利用残差网络提取高光谱图像的深层特征,利用领域适配网络对齐不同高光谱图像的特征空间,以提高高光谱图像的分类性能。论文的主要结果如下:(1)针对高光谱图像分类中光谱特征可分性不足的问题,本文提出一种基于残差网络的高光谱图像分类方法。该方法对高光谱图像中每个像素点进行空间特征提取,基于残差网络算法建立分类模型,利用残差网络结构避免梯度消失问题,以提高分类效果。(2)针对高光谱图像分类中标注样本不足的问题,本文基于深度迁移学习理论,对深层卷积网络的部分中间层参数进行有策略迁移,实现模型在两组高光谱图像数据集间的迁移学习,提高在少量标注样本情况下的分类效果。(3)针对同类样本在不同数据集中的特征空间偏移问题,本文采用领域适配网络算法对两组高光谱图像数据集的特征空间进行特征对齐,提升高光谱图像在无标注数据情况下的分类效果。