随着高分辨率遥感卫星的相继发射，如IKONOS、QuickBird、WorldView系列、GeoEye、高分1/2号、资源三号、高景一号、吉林一号等，高分辨率对地观测技术迎来了蓬勃发展。与中低分辨率遥感影像相比，高分辨率遥感影像的信息高度细节化，能够更加清晰地呈现出地物的形状、纹理、光谱等，并且能够呈现更加准确的空间分布情况，使得地物的精确解译成为可能。然而，由于空间分辨率的提高，高分辨率遥感影像的解译会受到复杂背景干扰、地物目标结构多变等问题的影响，影像中相同地物类别的类内方差增大、不同地物类别的类间方差减小，给高分辨率遥感影像的解译工作带来了极大的挑战，导致传统的“面向像素”和“面向对象”的分类方法难以满足遥感影像高层次语义解译的需求。因此，“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一个活跃的研究课题。
　　本文系统总结了高分辨率遥感影像场景分类涉及的理论和方法，围绕高分辨率遥感影像场景分类中的特征表达问题，分别研究“浅层-中层-高层”三个层次的特征表达方法以及多特征组合表达方法对场景分类结果的影响，对具有较高描述能力且具有一定互补性的特征进行组合，实现高精度的场景分类。主要研究内容和创新性成果如下：
　　(1)构建了大规模的高分辨率遥感影像场景分类数据集。早期较为常用的遥感场景分类参考数据集往往规模较小，仅仅包含一到两千个样本，所覆盖的场景种类也不够丰富，不足以完整地反映出遥感场景的真实分布情况，很难对场景分类算法进行准确地测试和评估，从而限制了场景分类算法特别是基于深度学习的分类方法的进一步发展，难以满足实际的遥感影像解译需求。针对这个问题，本文对现有数据集进行了研究，对国内外土地利用/覆盖分类标准进行了调研，并结合数据标注的实际困难，设置合理的场景分类类别体系，采用众包模式构建了一个规模大、类别丰富的遥感场景数据集，作为场景分类算法测试的标准数据集，为相关科研实践提供数据支持。
　　(2)系统研究与分析了浅层、中层、深层三个不同层次的特征表达算法，利用随机采样方法提取复杂场景中的不同地物信息，并提出一种基于视觉单词空间分布挖掘的词袋模型，在较高的效率时有效提高中层特征表达的场景分类精度。本文对一些常用的特征表达算法进行了总结和编程实现，并在本文构建的大规模数据集以及其他较为常用的公开数据集上进行了对比与深入分析,对应算法代码与实验结果均已公开，可作为高分辨率遥感影像场景分类领域的基准。在此基础上，针对中层特征表达方法，本文利用随机采样方法来提取复杂场景影像中的不同地物信息，并提出一种基于视觉单词空间分布挖掘的词袋模型来融合场景影像的局部相对空间信息，在较高效率时提高了中层次特征表达方法的分类精度。针对深层特征表达方法，本文采用了一种基于卷积神经网络迁移的深层特征表达方法，有效提高场景特征的表达能力和可区分性。
　　(3)提出一种封装式的特征选择方法分别对浅层-中层-深层-多层次的特征进行特征选择与组合，该方法能够针对不同数据集自适应地选择出具有一定互补性的特征组合，构建场景影像的多角度多层次特征表达，实现高精度的遥感影像场景分类。封装式的特征选择方法将特征选择作为分类算法的组成部分，利用分类性能作为对特征重要性的评价标准，该方法能够针对不同数据集自适应地选择出具有一定互补性的特征组合,对不同层次的特征进行选择，得到最优的特征组合，构建场景影像的多层次特征表达，从不同角度与不同层次对影像进行描述，实现高精度的场景分类。