随着遥感影像的分辨率提高和信息提取技术的发展,遥感影像场景分类也从面向像素转为面向对象的分类。然而基于人工特征的传统方法,依赖于专家先验知识,提取到的中底层特征分类能力有限,导致在面对具有高级语义的高分辨率遥感影像分类效果不佳。近年来,卷积神经网络（CNN）以其强大的特征自提取能力被广泛应用于高分辨率遥感影像场景分类。但是,基于卷积神经网络的遥感影像场景分类依然存在依赖于大量标注数据训练模型、特征冗余以及参数冗余等问题。因此,本文提出了结合迁移学习（TL）对于模型训练的同时,设计了基于注意力机制、深度可分离卷积（DSC）的改进模型,并应用于遥感影像场景分类中。本文主要研究工作和成果如下:（1）设计特制分类层,解决使用迁移学习的微调训练时输入图像大小、分类层和预训练模型不一致而无法训练问题。所用预训练模型均是适应Image Net数据集的上千分类任务而设计的分类层,分类层的设计和输入图像大小相关联。针对所用UC Merced Land Usage（简称UCM）数据集中大小为256的21类地物,设计了具有展开层、Dropout层以及两层全连接结构的分类层,实现了对于预训练模型参数的迁移使用。减少了输入图像信息的损耗,实验结果显示分类精度值可以达到92%-95.71%,具有良好的分类精确率。（2）将所用数据转换成tfRecord文件,解决了所用tif格式数据无法正常使用api解码问题的同时,提高了模型提取数据速度。tif格式的UCM数据集在tensorflow2.0中没有专门的解码api,本文将图像中的图像三维信息以及标签信息写入到tf Record文件中,通过对应的解码api实现了对于数据的解码。tf Record文件包含数据集中所有信息,相对于正常逐张图像解码方式,在效率上有着显提升,也为模型训练带来了便利。（3）对所使用的UCM数据集进行在线数据增强,防止模型训练出现欠拟合问题,减少了内存的使用。离线数据增强会增加数据集的实际量,导致内存的占用。考虑到这个问题,本文使用数据在线增强来对每一批输入图像进行随机旋转、随机翻转、随机亮度变化等增加训练数据量,在不改变文件夹中数据量的同时,成功进行了训练,达到预期训练状态。（4）设计了基于卷积块注意力机制的改进模型,解决了无差别特征提取导致的特征冗余问题,提高了特征提取效率和精确度。卷积神经网络在提取图像特征时,无差别地进行提取,导致有一些特征会被反复提取,大大影响了模型性能。卷积块注意力机制对通道和空间进行权重分配,选择性的提取特征,大大提高了网络模型的效率,比原模型提高了0.51%的精确度。（5）使用深度可分离卷积（DSC）替代了传统卷积,解决了网络模型参数冗余问题。过多的参数也无助于模型的训练和分类精度的提升,而冗余参数大部分集中于卷积核中。DSC相比传统卷积核具有更少的参数量,基于DSC的改进Vgg16模型实现了百万级别参数量的下降,达到95.95%的分类精度,相比原模型Vgg16提升了3.13%,替换多个卷积核后,模型精度也能达到93.10%。