近年来,遥感对地观测技术迅猛发展,可采集的遥感图像呈现出海量化、多源化、高分辨率的趋势。为加强遥感图像在城市规划、土地覆盖类型判别、自然灾害监测等领域的应用能力,遥感图像场景分类引起人们的广泛关注,其依据遥感图像的内容分配语义标签。传统的基于机器学习的遥感图像场景分类模型一方面需要收集大量的标注样本训练,另一方面要求训练数据与测试数据服从相同的分布,这造成模型难以对多源海量的遥感图像高效利用。域适应作为迁移学习的子分支,因其能解决标记样本的困难及突破训练数据与测试数据同分布的限制,被用于遥感图像场景分类。目前基于域适应的遥感图像场景分类方法主要通过减小源域和目标域的全局分布差异来增强源域和目标域的迁移性,未充分考虑到遥感图像场景“类间差异小,类内差异大”的局部特点。本文从遥感图像场景的特点出发,进一步研究域适应遥感图像场景分类算法,主要内容和创新工作包括:（1）针对如何在源域和目标域标签空间相同的情况下提高迁移性,提出基于相关子空间动态分布对齐的算法,该算法通过对齐源域与目标域的全局分布和局部分布来增强迁移性。特别地,该算法动态衡量了全局对齐与局部对齐的相对重要性。此外,该算法通过同时保留源域与目标域的数据属性来提升场景的表达能力。实验结果表明,该算法能显著提升遥感场景分类的效果。（2）遥感技术的发展带来了海量多样的数据。面对海量的无标记数据,源域和目标域的标签空间很难保持一致。基于该现状,本文进一步研究开放集域适应的遥感图像场景分类算法。具体来说,针对如何在源域和目标域标签空间不同的情况下提高迁移性和判别性,提出联合迁移性与判别性的开放集域适应算法。该算法基于遥感场景“域间差异大,类内差异大”的特点研究迁移性,针对“类间差异小”的特点研究判别性。实验结果表明,基于遥感场景的特点研究迁移性与判别性可以较大幅度提升场景的识别能力。