本书围绕小样本遥感图像分类任务展开具体研究工作，研究过程采用改善图像特征提取和分类器设计两种不同的子空间学习模式，重点解决小样本图像分类任务中存在的由于预训练特征提取器无法适应新的数据类别，导致提取的特征鉴别性不足以及含标签样本过少，带来的样本分布与实际数据分布存在偏差等问题。 本书提出了系列的子空间学习算法，进一步改善小样本遥感图像分类性能，并在公有遥感数据集及自行构建遥感数据集进行实验测试、数据统计、图表分析和遥感实景图片可视化展示。

第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状分析
1.3 本书主要研究内容和技术路线
第2章 基于共享类字典学习的小样本遥感图像分类
2.1 引言
2.2 基于共享类字典学习的小样本遥感图像分类理论
2.3 实验结果与分析
2.4 本章小结
第3章 基于共享类稀疏PCA的小样本遥感图像分类
3.1 引言
3.2 用于小样本遥感场景分类的共享类稀疏PCA
3.3 实验结果与分析
3.4 本章小结
第4章 基于特定类稀疏PCA的小样本遥感图像分类
4.1 引言
4.2 用于小样本遥感场景分类的特定类稀疏PCA
4.3 实验结果与分析
4.4 本章小结
第5章 基于自训练的小样本遥感图像分类
5.1 引言
5.2 支持向量机
5.3 基于自训练的半监督学习
5.4 改进的自训练半监督算法
5.5 实验结果与分析
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献