遥感技术的迅速发展极大的降低了高质量高分辨率的遥感图像的获取难度,这也解决了遥感图像地物分类任务的数据获取问题。如今,遥感图像地物分类领域面临着如下问题:一方面,遥感图像拍摄的场景通常比较复杂,基于传统图像处理的地物分类方法的特征提取能力有限,不能满足复杂场景的应用需求;另一方面,基于深度学习的遥感图像地物分类算法的训练数据需要进行像素级标注,其标注成本较高,使得大量的数据未被标注,导致这部分数据未能被有效利用。针对以上问题,本文对基于深度学习的遥感图像地物分类方法展开研究,主要工作总结入下:（1）提出了基于全局上下文建模的地物分类方法。基于滑动窗口多头自注意力模块构建全局上下文信息特征聚合模块以从包含复杂场景的遥感图像中提取全局上下文信息,利用提取的全局上下文信息改善模型的地物分类结果;针对遥感图像地物分类数据集中类别不平衡这一问题,按照类别均衡采样方法基于重采样减小训练数据中多数类别的比例,增加少数类别比例来减小训练数据类别分布不均衡的程度,从而提升算法的性能。（2）提出了基于特征对齐和跨层语义引导的地物分类方法。特征对齐模块基于高级特征和低级特征的空间差异自适应学习一个偏移量,利用学习的偏移量对高级特征进行重采样以解决高级特征和低级特征之间的特征不对齐问题;改进的空洞卷积空间金字塔池化模块基于门控机制对多个分支的输出信息进行选择以实现根据输入估计自适应地为输入特征选择合适地感受野;语义引导模块利用高级特征跨层引导低级特征,抑制低级特征中地冗余特征,避免特征融合过程引入噪声。（3）提出了基于双边交叉伪监督的地物分类方法。双边解码器地物分类网络中的解码器生成伪标签交叉监督另一个解码器,以实现将无标记数据用于模型的训练,从而减少对有标记数据的依赖;引入了一种适用于半监督地物分类任务的数据扰动—Cut Mix,通过提供更多的扰动输出结果来增强模型的鲁棒性;类别平衡的伪标签生成方式对原有的伪标签生成方式作了改进以防止生成的伪标签加剧训练数据的类别不平衡。