壁画是我国文化遗产的重要组成部分。随着时间的流逝,受自然环境影响,古代壁画出现了多种多样的病害。病害标注是对壁画出现病害位置、大小的记录,是壁画状态调查和保护修复的基础,在保护文物中起着重要作用。颜料层脱落是壁画病害中较为典型的一种。目前,壁画的颜料层脱落病害标注主要通过人工标注或结合机器学习算法进行交互式标注,前者耗时耗力,后者准确度有待提高。同时,现有标记方法主要是基于人眼目视在一般数码相机采集数据中的标注,信息量有限,导致一些病害区域不易发现,容易漏标。高光谱数据包含大量光谱空间信息,并且是一种无损、非接触的成像方式,是文物保护领域中的研究热点。在壁画病害标注的研究中,由于高光谱图像能够获取更多波段的信息,并且壁画各种颜料和病害的光谱曲线不同,因此,本文基于高光谱数据开展脱落病害标注的研究。本文主要工作如下:（1）提出了一种基于高光谱图像分类和分割的壁画颜料层脱落病害自动标记框架。首先基于高光谱分类网络进行病害预提取,再在高光谱特征图像上通过分割标注,最后提出了一种病害标记策略,有效结合分类和分割的结果标注病害。实验结果表明,本方法获得了更好的标注结果,是一种有效的脱落病害标注方法。（2）提出了一种基于多尺度U-Net的高光谱图像分割异构迁移学习的颜料层脱落病害标注方法。首先,设计了映射网络,将高光谱数据映射到三个通道与一般数码相机拍摄数据的通道数保持一致,其次,构建了基于U-Net的高光谱图像分割网络,并基于一般数码相机拍摄图像训练的U-Net网络参数对高光谱数据进行微调,并在此基础上,引入了多尺度模块,在提取不同尺度特征的同时也保留了低级特征,提高了标记的精度。实验结果表明,该方法能有效利用目前用一般数码相机拍摄图像已标注的先验知识,引导在高光谱数据上的病害标记,具有较好的标注结果。