摘要：高光谱图像是一种通过高光谱成像传感器在多个光谱波段捕获地物信息的图像,高光谱图像分类任务是为图像中的每个像素点确定所属类别。然而,现有高光谱图像分类任务中存在标记样本数量有限,大量未标记样本未被合理利用于训练网络模型与增强模型分类效果的问题。针对上述问题,本文提出了一种基于自监督学习网络的小样本高光谱图像分类方法。首先,通过自监督学习网络对大量未标记样本进行预训练,使得模型能够在无需标签的情况下对样本本身的内在结构或属性进行学习;其次,结合主动学习采样策略,对未标记样本进行采样及人工标注,扩充有限的数据集;最后,对分类模型进行微调,使模型能够根据已有知识对训练集中的新样本进行更准确、更稳定的分类判断,进一步提升其泛化能力。实验结果证明,该方法在增强模型泛化能力和提高分类准确性方面都表现出显著优势,在两个公开的高光谱数据集上都取得了良好结果。