在跨场景高光谱图像分类任务中，大多数域适应（Domain Adaptation, DA）方法主要针对源域数据（Source Data, SD）与目标域数据（Target Data, TD）包含相同类别且由同一传感器获取的情形。然而，当目标域中出现新类别时，此类方法的分类性能会显著下降。此外，作为DA主流方法之一的域对齐技术，通常基于局部空间信息进行，较少考虑具有强对应关系的非局部空间信息（即非局部关系）。为此，本文提出一种基于图信息聚合的跨域少样本学习（Graph Information Aggregation Cross-Domain Few-Shot Learning, Gia-CFSL）框架，旨在通过融合少样本学习（Few-Shot Learning, FSL）与基于图信息聚合的域对齐机制，弥补上述不足。在该框架中，源域包含所有标注样本，目标域仅包含少量标注样本，二者共同用于FSL的周期性训练。同时，本文设计了域内分布提取模块（Intra-domain Distribution Extraction block, IDE-block）与跨域相似性感知模块（Cross-domain Similarity Aware block, CSA-block）。其中，IDE-block用于表征并聚合域内非局部关系；CSA-block则用于捕捉域间特征与分布的相似性。此外，通过引入特征级与分布级的跨域图对齐策略，有效缓解了域偏移对少样本学习带来的负面影响。在三个公开高光谱图像（HSI）数据集上的实验结果表明，所提方法在跨域少样本分类任务中具有显著优势。相关代码将发布于以下网址：https://github.com/YuxiangZhang-BIT/IEEE_TNNLS_Gia-CFSL。