随着航空航天技术的发展,大量高分辨率对地观测数据变得容易获取。如何将这些数据在有限的人力物力的条件下精确地解译为所需要的地物信息,是我国发展地理信息产业的关键点之一。在遥感信息解译任务中,传统的有监督学习需要从待解译图像（目标域）中事先获得一部分高质量的样本标签。这样不仅费时费力,而且不可能具备实时解译能力。在实际应用中,大量已经标注好的遥感数据（源域）很容易获得且没有任何额外成本。本文的主要研究内容是如何充分利用源域信息在目标域没有标签的情况下对目标域分类。现有机器学习算法大多假设训练集与测试集具有相同的特征分布。然而,源域和目标域遥感图像由于数据获取方式、光照条件、大气条件、地物风格以及地物模式等的不同,使得源域和目标域特征的联合概率密度分布可能存在显著差异。这样的特征分布差异使得上述机器学习算法中的假设不成立,导致由源域直接训练而得的分类器在目标域上的分类结果通常不理想。为了在遥感图像解译中无需对目标域进行费时费力的人工标记,如何有效地减小源域和目标域的差异就成了核心问题。域适应（Domain Adaptation,DA）算法通过解决上述问题,使得用源域标签训练的分类器在目标域数据上的性能能够得到提升并已经成为减少标记数据成本的一个重要方法。本文开展了面向不同遥感图像分类应用场景下的域适应算法研究。本文根据源域和目标域遥感图像差异的大小以及数据量的多少提出了不同的域适应算法,旨在不依赖任何目标域标签的情况下,提高对目标域遥感图像和场景的分类能力。本文的主要研究内容包括以下四个方面:第一部分研究了面向源域和目标域遥感图像来自相同地区的域适应算法。同地区遥感图像间往往差异较小且存在较强的相关性。本文旨在用计算量较小的域适应算法和较少的源域数据,对和源域位于同地区的目标域图像进行分类。该类应用包含两类具体场景:源域和目标域为同位置不同时相的遥感图像或同地区不同位置的遥感图像。首先,针对源域和目标域的图像来自于同一地区这一前提,本文假设两个域的差异相对较小,可以生成相对准确的伪标签来估计目标域数据的条件概率密度分布。基于此,提出了离散度优化的联合分布适配算法。基于所提出的这一算法,本文针对多时相遥感图像和同地区相邻位置的遥感图像两类具体应用场景进一步分别提出了两套迁移学习的算法流程框架。最后,通过相应的实验验证了算法的有效性。第二部分研究了在源域和目标域分别为异地区多模态遥感数据情况下应用于图像分类的域适应算法,旨在针对源域和目标域差异较大、数据量较少但可以获得诸如高程信息等辅助信息的情况,提高对目标域数据的分类精度。单独考虑这种情况,一方面是由于非深度学习算法的域适应性能虽然不如深度学习算法,但其计算量较小,对数据量的要求较低,所以有充分的研究意义。另一方面,非深度学习的域适应算法提取特征的能力以及对复杂的域适应映射的拟合能力相对较弱。为了达到较为理想的分类效果,本部分主要针对含有更多信息的多模态数据进行研究,提出了多核联合域适配算法。该算法利用多核学习的方法,在多核空间中对源域和目标域的数据进行分布对齐和权重调整。所提算法实现了异地区多模态遥感图像之间的迁移学习。同时,在单模态场景下,多核联合域适配算法依然有效,但改善后的分类精度依然较低。即使如此,在数据量或计算能力不足以支持深度学习训练的情况下,本部分所提算法仍不失为解决异地区遥感图像间迁移学习问题的一种方案。第三部分研究了面向源域和目标域分别为异地区单模态（三通道）遥感图像情况下应用于图像分类的域适应算法。旨在当源域和目标域差异较大且仅有三通道光学图像可用时,通过域适应的方法仍然可以大幅提高对目标域图像的分类性能。面向这类场景,本文提出了双空间对齐网络域适应算法。基于对抗性学习的基本思想,本文提出了双空间对抗性学习策略同时减少源域和目标域在特征空间和输出结构空间的差异。此外,所提方法能够同时对齐源域和目标域在图像表示和小波表示的特征分布。实验表明,这一策略能够进一步提升网络的域适应性能。第四部分研究了面向遥感场景分类的域适应算法,旨在利用已有的遥感场景分类数据对与其存在差异的场景进行有效的分类。针对场景分类和图像分类任务的不同点,本文提出了一个用于场景分类的对抗性域适应网络。该网络能够充分利用源域的标签信息,通过带有辅助分类器的生成式对抗网络的思想减少源域和目标域的差异。同时,本文提出了域混淆网络的新概念,通过域混淆网络,所提方法能够进一步提高对目标域遥感场景分类的精度。