随着遥感技术和各类传感器平台的快速发展,高分辨率遥感影像（High-Resolution Remote Sensing Image,HRRSI）相比于之前更容易获得,如何高效利用日益丰富的特征信息对HRRSI进行准确的场景分类与提取是遥感影像解译的关键性问题之一。尽管从基于像素的方法发展到了基于对象的场景分类、提取方法,地物目标的分类精度得到了较大的提升,然而,传统的方法模型只能实现地物目标层级的分类与提取,如飞机、树木和建筑物等,而对于城中村（贫民窟）和工业园区等高级语义层级的分类与提取则显得力不从心。如何突破现有方法模型中存在的问题,是目前遥感领域研究的热点、难点及关键性问题。当前,结合深度学习模型实现遥感影像场景分类与提取是研究的热点。然而,此类模型存在以下不足:（1）现有卷积神经网络（Convolutional Neural Network,CNN）模型使用权重共享导致了局部特征信息丢失。两幅全局特征不同的HRRSI由于包含一些共同的显著目标,可能属于同一场景。在这种情况下,仅仅依靠全局特征可能会导致错误的分类。（2）虽然有些模型同时考虑了局部与全局特征,并将其作为最终表示,但它们没有考虑不同区域之间的关系以及影像中不同特征之间的关系。除了特征与对象本身的属性外,它们之间的内部关系对于分类与提取也是非常重要的。（3）现有的CNN通常被当做“黑盒”,模型决策不透明、不具有可解释性,且模型结构变得越来越复杂、参数多。此外,大部分现有模型易丢失空间位置信息,无法对场景复杂的空间分布和几何结构提取更有效、更具区分力的特征。基于特征学习的模型,主要是通过提取各种不同的特征来表示HRRSI,是解决其分类与提取的有效方法之一。然而,对于HRRSI中场景分类与提取具有更大的挑战性:（1）传统特征学习方法只使用单个的特征,表征能力不足,而多特征学习则是将特征进行简单的累加,特征之间的关联性、差异性都未得到充分表达与学习。（2）HRRSI中的场景目标对象相比于自然影像更为复杂,存在类内方差大而类间方差小,场景提取时的边界更容易混淆。（3）HRRSI中场景目标尺度变化大,造成了多尺度问题,使得场景目标定位与识别更加困难。针对上述方法模型中存在的问题,引入李群机器学习方法,重用HRRSI特征,提出基于李群机器学习的场景分类与提取方法,以HRRSI为例,对其进行定量和定性的实验分析与论证。主要的研究内容和创新工作如下:（1）分析HRRSI场景的特点,概述现有场景分类与提取的研究方法、趋势及存在问题,介绍与本研究相关的李群机器学习、压缩感知和图割算法等基本理论和方法。（2）在距离分类和均值算法方面,针对现有算法基于欧氏距离计算无法准确表达非欧空间数据样本的问题,本论文引入李群流形空间上的内均值分类算法用于场景分类。针对现有核函数基于向量空间样本而无法直接应用于矩阵空间样本的问题,本论文推导既满足矩阵样本又满足向量样本的李群核函数。为此,提出联合李群内均值与李群核函数的场景分类算法,使用李群流形空间距离替代欧氏距离,以简单、有效的方式提高了场景分类的准确度。算法优化改进后得到基于李群核函数的轻量化李群内均值场景分类算法,降低了算法时间复杂度并进一步提高了场景分类准确度。（3）在模型机理解释方面,针对现有卷积神经网络模型被视为“黑盒”,决策不透明,论文中建立影像特征与场景语义间的关联性表征;针对模型缺失全局、局部区域及空间关联性信息的问题,论文中使用位置编码的方式来增强空间信息,使用底层、中层和高层特征融合表征遥感场景。本论文提出基于李群多重扩张池卷积网络的场景分类方法,此模型从李群特征学习的角度提高模型的可解释性,将不同区域（全局与局部）、不同层（底层、中层和高层）特征及其关联性信息编码到李群区域协方差特征矩阵中,该矩阵具有参数量少、维度低、抗噪性和计算性能好等优势。（4）在模型算法普适性和鲁棒性方面,针对卷积网络模型解决场景类内方差大而类间方差小存在结构复杂、参数多和计算复杂性高的问题,本论文中基于改进的Fisher字典特征编码算法,较好的平衡准确性、参数量大小和计算性能的问题,该算法可应对不同流形结构数据,具有鲁棒性和普适性。针对传统Grabcut算法基于像素亮度值构建混合高斯模型而无法直接运用于李群矩阵样本的局限性问题,提出改进的Grabcut提取算法,该算法采用基于李群区域协方差特征矩阵的迹构建混合高斯模型,增强算法的普适性和鲁棒性,同时为了解决算法中迭代计算导致效率低的问题,算法引入KL散度和影像的信息熵,兼顾了计算效率和提取效果。本研究开展基于李群区域协方差特征矩阵的构建与学习、模型机理可解释、算法模型准确率提升和鲁棒性等研究,建立场景语义与影像特征间的桥梁,加快遥感影像场景分类与提取在现实中的应用,为城市规划等领域提供重要的科学参考价值。