滨海湿地地处陆地生态系统和海洋生态系统的交错过渡地带，具有涵养水源、保护生物多样性、维持生态平衡的功能。加强滨海湿地的监测制图，对湿地保护和生态修复非常重要。然而，滨海湿地环境复杂，人类难以介入。高光谱卫星覆盖从可见光到短波红外波长的电磁波谱，能够获取超过100个精细光谱波段，为滨海湿地的精细制图提供了重要的数据支撑。在滨海湿地应用中，传统机器学习分类方法需要依赖于研究人员具备不同地类在光谱、纹理、空间以及时间上有不同特征的相关知识，然后通过人工方法对特征进行筛选、提取，得到对分类比较有利的特征或者特征集合。深度学习以其独特的网络结构能够从输入影像中实现从底层到高层的信息提取，并结合大量数据训练获得适应地物分类的网络权值结构，能够适用于复杂环境下的地物分类。虽然大量的网络参数保证了它优秀的学习能力，但在网络训练过程中大量的参数需要用带标记样本进行学习。由于遥感影像空间分辨率低、空间覆盖范围大，野外调查标记训练样本类别耗时耗力，一些学者尝试利用完全标记的影像来帮助未标记的影像进行学习。域适应（Domain adaptation, DA）通过将源影像（有标签）上观察到的像素特征匹配到目标影像（没有标签），在前者上训练的分类器可以用来预测后者的类别，建模和扩展了在不同场景中收集的光谱特征和土地覆盖类别之间的关系。针对遥感分类中缺乏高质量标注数据，我们提出了一种用于跨域高光谱影像分类的动态联合相关对齐（Dynamic joint correlation alignment, DJ-CORAL）技术，以更好地利用现有知识对未标注数据进行分类。DJ-CORAL考虑了源域和目标域之间的边际分布和条件分布，通过引入联合CORAL算法，利用域级CORAL最小化域间的分布差异，能够适应跨域的边际分布，使用类级CORAL进一步减小每个类别的分布差异，能够适应跨域的条件分布。考虑现有的域适应方法不能充分平衡边际分布和条件分布的相对重要性。采用动态分布适应策略，利用平衡因子动态调整边际分布和条件分布的重要性，有助于实现良好的分布适应效果。最后，DJ-CORAL采用黄河口湿地和盐城湿地的高光谱遥感影像数据进行实验验证，结果表明本文方法能够准确区分湿地地面物体。

滨海湿地，高光谱遥感，动态联合对齐技术，分类