高光谱图像（HSI）由数百个波段组成，波段之间的相关性强且具有较高的冗余度，导致出现维度灾难并且分类的复杂性很高。为此，使用深度对抗子空间聚类（DASC）网络进行高光谱的波段选择，并引入拉普拉斯正则化使网络更优，在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的“自表达”属性，充分运用光谱信息和非线性特征转换得到波段之间的相互关系，解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时，引入对抗学习来监督自编码器的样本表示和子空间聚类，使得子空间聚类具有更好的自表达性能。为了使网络性能更优，加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行，所提出的方法和几种主流的波段选择方法进行对比的结果表明，DASC方法在分类精度上优于对比方法，其选出的波段子集可以满足应用需求。

针对少数类样本合成过采样技术(SMOTE)在处理非平衡数据集分类问题时,为少数类的不同样本设置相同的采样倍率,存在一定的盲目性的问题,提出了一种基于遗传算法(GA)改进的SMOTE方法——GASMOTE.首先,为少数类的不同样本设置不同的采样倍率,并将这些采样倍率取值的组合编码为种群中的个体;然后,循环使用GA的选择、交叉、变异等算子对种群进行优化,在达到停机条件时获得采样倍率取值的最优组合;最后,根据找到的最优组合对非平衡数据集进行SMOTE采样.在10个典型的非平衡数据集上进行的实验结果表明:与SMOTE算法相比,GASMOTE在F-measure值上提高了5.9个百分点,在G-mean值上提高了1.6个百分点;与Borderline-SMOTE算法相比,GASMOTE在F-measure值上提高了3.7个百分点,在G-mean值上提高了2.3个百分点.该方法可作为一种新的解决非平衡数据集分类问题的过采样技术.