遥感卫星技术的飞速发展形成了大量的多时相遥感图像集合,多时相遥感图像分类问题由于其在监测地表覆盖变化方面的重要作用,不可避免的引起了学者们的广泛关注。多时相遥感图像序列分类问题旨在利用现有的有参考标签的图像（源图像）的信息,对后续获得的无标签的目标图像进行分类,源图像和目标图像为同一时间不同地点拍摄所得。传统的半监督方法需要为目标图像收集足够多的参考标签,领域自适应方法则假设源图像和目标图像数据分布具有相关性。这些条件在实际应用场景中是很难被满足的。因此,近年来学者们引入了变化检测方法来解决上述问题。基于变化检测的分类方法利用变化检测技术来检测两幅图像中未变化的区域并将该区域的标签传递至目标图像。最后,基于这些传递的标签再训练目标图像分类器。然而这一类方法同样存在一些问题,首先变化检测本身会引入误差,其次,现有的方法大多忽略传递的标签中存在的错误。针对这两个问题,本文分别提出了两种算法对其进行改进。本文的主要研究内容可概括如下:第一,本文中提出了一种基于代价敏感变化检测的多时相遥感图像分类算法。其主要目标是提高检测的未变区域的正确率,进而更准确的传递标签至目标图像。算法中,采用了自步学习方法来为样本分配权重并动态的进行更新。基于得到的权重,自步学习可以选择可靠的训练样本。然后将样本权重和代价敏感策略结合入模型的目标函数中训练模型,使得模型倾向于减少检测出的未变类中的错误。具体地,是通过给未变类中的错误设置较大的代价值并最小化整体代价来实现的。实验结果表明,该方法和传统变化检测相比能够传递更多正确的标签,且在目标图像分类正确率上取得了很好的提升。第二,变化检测的差分信息在一定程度上是可以反应传递的标签的准确性的。因此,为了进一步挖掘利用差分信息,增强分类器鲁棒性,本文提出了一种基于可调软加权课程学习的多时相遥感影像分类方法。在该方法中,还设计了一种基于超像素的标签转移技术,在未变区域内以超像素为基本单元将源图像的标签转移到目标图像。然后利用课程学习为训练集中的每个样本分配一个权重来衡量每个样本的可信度,从而制定目标图像训练器的学习目标。具体的,设计了一种融合差分信息的可调软加权课程学习函数,利用差分信息对课程区域进行隐式约束。6个数据集（3个地区）上的实验结果表明,该方法性能优于对比算法,证明了该方法在遥感图像分类问题中的适用性。