随着全球对地观测系统的不断发展、完善,地球空间信息的获取已经进入了“三高”(高空间分辨率、高光谱分辨率和髙时间分辨率)和“三多”(多平台、多传感器和多角度)时代,大量对地观测遥感数据已经成为人类认识理解世界的重要信息来源。遥感影像空间分辨率的逐步提升,使遥感能够提供复杂的地表结构信息,为地表更高层次语义信息提取提供了数据源。然而,遥感影像的像素或者超像素仅仅包含地物底层信息,不能对影像高层语义內容进行描述,导致了传统的“面向像素”和“面向对象”的分类方法无法满足遥感影像高层次内容解译的需求。在此背景下,“面向场景”的遥感影像分类引起了国内外研究学者的广泛关注,并成为了遥感领域的研究热点。近年来,相关学者对基于深度学习的高分辨率遥感影像场景分类方法进行了大量的研究并取得了突破性的进展。深度学习能够很好的表达遥感场景的语义内容,然而这些监督学习方法仍受限于一个基本假设:训练数据和测试数据需要服从独立同分布,现实世界中很难满足这一基本假设,现有的深度学习方法对跨域的数据集不具有鲁棒性,模型泛化能力较弱。针对上述存在的问题,本文开展了面向高分辨率遥感影像场景深度特征的领域自适应方法研究,主要工作和贡献如下:(1)提出了面向遥感影像场景深度特征的对抗域适应框架。针对单个领域的分类方法对跨域的数据集不具有鲁棒性,模型泛化能力较弱的问题,在卷积神经网络和生成对抗网络的基础上,提出了一种遥感域适应框架,该框架首先利用大型自然场景数据集ImageNet上训练的深度模型作为基础提取遥感场景影像的深度特征,然后利用对抗学习方法最小化源域和目标域数据集的特征分布差异,提高模型的泛化能力,从预训练模型、网络架构与目标函数对该框架进行描述。(2)提出了面向遥感影像场景深度特征的对抗域适应方法。在上述框架的基础上,提出了一个具体的对抗域适应方法,该方法首先利用VGG16预训练模型和源域数据集学习遥感影像场景的深度特征,然后固定目标域网络,优化判别网络,提高判别网络对数据来自源域和目标域的区分能力,接着固定判别网络,优化目标域网络,最小化源域与目标域的特征分布差异,目标域网络和判别器二者进行相互对抗更新迭代,直到达到一个纳什均衡,从而提高模型的泛化能力。(3)提出了面向遥感影像场景深度特征的分类器约束对抗域适应方法。针对上述对抗域适应方法在对齐源域和目标域特征特征分布时仅对全局的深度特征进行对齐,没有考虑土地利用类别之间的决策边界,导致在决策边界附近会产生模糊特征的问题,提出了一种分类器约束对抗域适应方法,具体的,引入了两个不同的土地利用分类器作为约束,并增加他们与原始分类器之间的距离,在分类器的约束下,学习远离原始类别决策边界的鲁棒可迁移特征,进一步提高模型的泛化能力。(4)基于三个基准遥感影像场景数据集(AID、UC-Merced和RSI-CB)构建了6个跨域分类数据集(AID?Merced,AID?RSI-CB,和Merced?RSI-CB)验证本文算法。实验结果表明,本文方法能够最小化源域与目标域数据集之间的深度特征分布差异,在不重新采集新的训练样本的情况下,利用现有的标注数据学习对跨域数据集具有鲁棒性的深度特征,提高模型的泛化能力,该方法在本文构建的6个跨域遥感场景数据集上的平均精度为92.17%,比未使用域适应方法的深度模型精度提高了14.75%。