随着遥感技术的发展,越来越多的高空间分辨率影像被应用到各行各业,无人机的出现与快速发展使得遥感图像的获取变得越来越便利,遥感图像分类作为遥感应用于实践过程中不可缺少的过程成为研究的热点问题。相较于一般图像,遥感图像包含了光谱信息,丰富的光谱信息为分类任务提供了很大的帮助。近年来,伴随着科学技术的进步,深度学习得到了快速的发展,并很好地应用到了遥感图像分类任务中。本文针对遥感图像在分类任务中存在的一些问题,在前人研究的基础上对深度学习在遥感图像分类任务中的应用进行了进一步的研究,主要内容如下:（1）针对遥感图像分类过程中特征提取不充分和计算成本过高的问题,本文提出了一种基于并行3D-2D-1D CNN的遥感图像分类方法。首先,该模型通过一维卷积、二维卷积和三维卷积分别提取遥感图像的光谱信息、空间信息和空-谱信息,充分挖掘遥感图像空间和光谱相结合的特征;其次,将三个维度的特征图进行融合处理,得到充分包含遥感图像空-谱特征的特征图;最后,通过分类器对遥感图像进行分类操作。该模型解决了一维卷积和二维卷积特征提取不充分的问题,同时也极大缓解了三维卷积计算成本过高的问题。在Indian Pines、Pavia Center和Pavia University数据集上对本文模型和四种传统模型进行对比实验,本文模型均得到最优结果,总体分类精度分别达到了99.210%、99.755%和99.770%。实验结果充分证明了本文提出模型的优越性。（2）在深度学习网络模型中,随着网络深度的增加容易产生梯度消失和梯度爆炸现象,这会极大影响模型的分类效果;本文提出的并行3D-2D-1D CNN分类模型随着迭代次数的提高也较容易产生精度饱和现象。为了解决上述问题,本文进一步完善算法模型,提出了融合残差网络与并行3D-2D-1D CNN的遥感图像分类模型,将残差网络扩展到一维卷积和三维卷积中,充分利用残差网络的优势。经过对比实验,并行3D-2D-1D R-CNN相对并行3D-2D-1D CNN在Indian Pines、Pavia Center和Pavia University数据集上分类精度均有所提高,充分证明了该模型的优势。