遥感影像蕴含了极其丰富且完整的地表地物的空间分布信息、光谱特征信息等,是地表信息的客观反映。使用遥感影像,可以方便、快捷的获取相关地物分布信息,对基础地理信息数据库的建立与维护、生态保护、城市建设规划与灾害监测等领域具有重大意义。但由于影像所蕴含的信息场景复杂,因此对遥感影像的分类增加了困难程度。传统的遥感影像分类方法需要人工提取相应的光谱与纹理等特征,且需要过多的专家经验知识,因此具有对于影像的细微差异判别能力差,处理速度慢,分类标准不统一等缺陷。深度学习在图像领域可使计算机自动学习相关的高层特征与语义信息,因此使用所提取的特征与语义进行图像的分类与判别,相比传统的图像分类方法,其分类精度大幅提升。由于遥感影像与传统图像的共性,使得将深度学习的图像处理方法迁移至遥感影像具有较高的可行性与实用价值。目前,基于深度学习的方法被广泛地应用在遥感影像分类过程中,取得了较好的分类效果,却也存在相应的不足,如精度需要进一步提升且单一模型的分类精度提升有限等问题。针对以上问题,本文在深度学习的相关基础上,将注意力机制、非对称卷积、WASP、多模型集成等方法应用于遥感影像分类,主要进行了以下相关研究:(1)以注意力机制为基础,构建了基于注意力机制与非对称卷积的遥感影像分类方法。本文以U-Net为主体网络架构,将其基本的卷积计算替换为非对称卷积块,且在其进行非对称卷积计算后增加注意力机制,以获取其重要的特征信息,进行相关分类。(2)针对遥感影像中的地物具有的多尺度特性,在注意力机制与非对称卷积的基础上采用WASP(瀑布式空洞空间池化架构),进一步提升其网络结构的特征提取能力,提高分类精度。(3)针对单一模型精度提升空间有限的问题,通过多模型集成的方法,使各模型之间相互取长补短,进一步提升分类精度。搭建多GPU并行处理环境,在提升分类效率的同时提升分类精度。研究表明:将注意力机制、非对称卷积与WASP嵌入U-Net网络结构,可提高遥感影像分类的精度,同时,将遥感影像分类的模型进行集成,可进一步提高分类精度。本研究成果对于遥感影像分类研究具有一定的参考价值,且在生产中有一定的实用价值。