高光谱图像分类是遥感高光谱图像处理的一个重要分支。它的目的是通过计算机分析等手段确定遥感高光谱图像中每一个像元真实的地物类标。现如今,深度学习在机器学习和模式识别等领域吸引了广大科研人员的关注,越来越多的学者将深度学习应用于高光谱图像分类来获得更佳的分类效果。在高光谱图像分类中,需要对高光谱图像的每一个像元进行标注,该过程工作量较大,因其拥有大量的无标签数据,更增加了标注的难度。因此使用大量的无标签样本和少量的有标签样本对高光谱图像进行半监督分类能够有效解决标注难的问题。基于以上分析,本文设计了基于半监督深度学习的高光谱图像分类框架来对高光谱图像进行分类,从而解决高光谱数据标注难和深度学习需要大量有标签数据的问题。本文的研究内容如下:(1)设计了一种能够同时使用少量的有标签和大量的无标签高光谱像元进行训练的半监督神经网络模型。传统的深度学习通常会用无标签样本对网络进行逐层预训练来初始化。在本文所设计的网络中,通过对网络增加一个解码通道使得网络能够在进行分类任务的同时也能够进行重建任务,在编码器和解码器之间添加一条横向连接使得顶层的特征能够专注于分类任务,重建时可以通过这些横向连接直接对原始的编码器的特征进行重建。通过该方法能让无标签样本能够辅助有标签样本,来获得更高的分类精度。(2)设计了一种能够联合高光谱图像的空间和谱间信息进行半监督分类的网络模型。在上一个方法中忽略了高光谱图像的空间信息,并且现有结合空间信息与深度学习的方法仅能使用有标签样本进行训练。针对上述问题,本文设计了一种能够同时利用高光谱数据谱间和空间信息的半监督3维卷积神经网络,该模型的关键是结合空谱联合信息进行特征提取,并且同时充分利用了大量的无标签样本,通过该模型能够获得更佳的分类效果。(3)设计了一种能够学习到像元之间度量关系的网络,并使用该网络对无标签样本进行伪标签标注的方法。传统的高光谱像元度量方法并不能很好的度量两个像元的关系,针对此问题,设计了一个能够度量两个像元是否同属一类的关系网络,在该网络中采用卷积神经网络来提取两个像元的特征,并且将两个特征级联起来再使用一个新的网络来学习它们之间的关系,最后通过该网络能判断出两个像元是否同属一类。利用该网络与邻域信息相结合,对无标签样本进行伪标签标注,最后同时使用这些带标签的数据训练一个新的分类器。