1.一种基于深度迁移网络的高光谱图像分类方法，其特征在于，包括如下步骤：步骤1，用波段选择对原始高光谱图像进行降维：去除波段冗余，得到降维后的高光谱数据X0，高光谱数据X0包括经降维后的源域数据 和目标域数据步骤2，利用源域标记样本训练辅助分类器，并使用辅助分类器得到目标域伪标签；

步骤3，构建深度迁移神经网络，基于CORAL损失利用领域适配层适配源域和目标域减小二阶统计量差异，同时基于LMMD减少源域和目标相关子空间的一阶统计量差异；

步骤4，使用训练好的辅助分类器对目标域数据进行分类。

2.根据权利要求1所述一种基于深度迁移网络的高光谱图像分类方法，其特征在于，步骤1中用波段选择对原始高光谱图像进行降维：去除波段冗余，得到降维后的高光谱数据X0，具体包括如下过程：

定义原始HSI波段数为Nb，以间隔数为 和 分别选择a和b个波段，降维后的波段数为d，其中 表示向下取整运算，可得：n×d

定义降维后的高光谱数据X0∈R 作为模型的输入，n表示样本数，谱数据X0包括经降维后的源域数据 和目标域数据 其中， 和s

其中ns表示源域样本数，nt表示目标域样本数，Y为源域标签。

3.根据权利要求1所述一种基于深度迁移网络的高光谱图像分类方法，其特征在于，步骤3中构建深度迁移神经网络，基于CORAL方法利用领域适配层适配源域和目标域减小二阶统计量差异，同时基于LMMD减少源域和目标相关子空间的一阶统计量差异；具体包括如下内容：

深度迁移网络DTN包括全连接层、非线性层、领域适配层以及Softmax层；将降维后的源域数据 和目标域数据 输入深度迁移网络DTN中，经由全连接层和非线性层构成的特征提取器提取特征；其中，全连接层输入为：F1＝I×W1+b1

其中，I为全连接层输入，b1为偏置；将全连接层输出作为输入连接到非线性层，非线性层输出为：

N

其中，I为非线性层输入；

领域适配层用于适配两域分布差异，后将领域适配层的输出连接到Softmax层；深度迁移网络DTN的损失函数定义为：其中， 为协方差领域适配项， 为子空间适应项，为源域数据分类损失，α1和α2分别为方差领域适应参数和子空间适应参数；协方差领域适配项可表示为：

其中，d1为领域适配层输入的维度，Cs和Ct分别表示源域和目标域数据协方差矩阵；

子空间适应项可表示为：

其中， 为经辅助分类器得到的目标域伪标签，c∈{1,2,...,C}为类别索引， 和 表示 和 属于c类的权重，则 是c类的加权和， 可计算为：

源域数据分类损失可表示为：

其中，C为类别数，Y代表类别矩阵，S为深度迁移网络DTN模型预测结果。