随着遥感技术得到了越来越广泛深入的应用,对其收集得到的遥感图像进行识别与分类也成为了遥感图像处理领域一个值得关注的研究内容。近年来,深度学习的兴起使得遥感图像的解译得到了进一步的发展。但是,传统的深度学习一般基于有经验的专家设计的固定网络结构。此外,遥感图像的分类属于一个高维数学问题,需要用更有效的二维图像表示方法进行表征学习。基于以上存在的问题,本论文结合进化算法可以自适应地优化网络结构的优势,和多尺度几何分析可以在高维情况下对特定图像达到最优逼近的原理,提出一种基于进化多尺度神经网络的遥感图像分类方法。具体来说,本文将从以下几个方面展开研究:1、提出了一种基于多通路连接进化网络的遥感图像分类方法。该方法针对NSGANet中网络模块结构单一,无法适应多尺度、多分辨的遥感图像的分类问题,引入了多个不同分辨率的通路构建网络模块,再对网络模块的连接方式进行进化。通过与人工设计的神经网络和其他网络搜索框架进行实验对比,证明了该方法的可行性和有效性。2、提出了一种基于深度分组节点进化网络的遥感图像分类方法。该方法针对传统节点类型设计不够全面的问题,考虑到让网络能够提取不同分辨率的特征信息,并且进行通道间信息的有机解耦和交流,引入了多种不同尺度的深度分组卷积层进行节点类型设计。通过实验证明了通过这种方法,网络可以进化得到一个分类精度更高的结构。3、提出了一种基于进化多尺度神经网络的遥感图像分类方法。该方法针对传统遥感特征提取方法不能适应遥感图像多分辨特点的问题,基于深度分组节点进化网络,结合多尺度几何思想,利用Curvelet变换方法提取遥感图像不同尺度、不同方向的特征信息,再经过进化分支提取特征,与原图的卷积特征相结合,增强遥感图像的特征表达。通过实验结果证明,采用该方法提升了遥感图像分类性能。以上方法均在MSTAR两组数据上进行实验,通过实验结果可以验证,相比于人工设计的神经网络和其他网络搜索框架,本文方法可以稳定地进化得到分类性能更优且模型体量较小的网络,证明了该方法的可行性和有效性。