随着遥感卫星技术的发展,遥感影像空间分辨率可达亚米级。与中低空间分辨率卫星影像相比,高空间分辨率卫星影像具有更丰富的空间细节信息,能够精细呈现出地物的颜色、形状、边缘等。基于像素级或目标级的遥感影像解译方法不能有效提取遥感影像的高层语义信息,场景分类方法能够建模并解译以语义目标构成下复杂空间分布的高层语义信息,可解决遥感影像解译中的“语义鸿沟”问题。目前场景分类方法主要是基于深度学习技术,通过数据驱动可有效解决光谱特征自动提取、多源传感器影像差异等问题。然而现有的基于深度学习的算法运算量大,模型参数量多,无法直接部署在资源受限的设备或实现在线遥感解译任务。此外,由于遥感场景影像存在“类内方差大,类间方差小”的问题,深度网络特征提取能力受限。针对上述问题,本文主要从模型轻量化,空谱特征提取方面进行研究,主要贡献如下:（1）归纳和总结遥感影像场景分类领域的国内外研究现状,并分析了高空间分辨率遥感影像特点和遥感影像场景分类存在问题。此外,介绍了基于深度学习的场景分类基本理论,场景分类数据集和评价指标。（2）针对卷积神经网络轻量化与空谱特征提取问题,本文提出一种基于轻量级注意力的场景分类方法。该方法首先利用Ghost卷积替换标准卷积以减少模型的参数量并降低网络特征冗余,然后利用协调注意力关注遥感影像的通道和空间特征,并提出一种测试时数据增强策略,在不增加模型参数量和推理速度的前提下进一步提高算法准确度。（3）针对卷积神经网络以堆叠感受野的方式提取特征、建模不直接的问题,本文提出一种保留空间通道信息的 Spatial-Channel Feature Preserving Vision Transformer（SCViT）场景分类方法。该方法首先利用Vision Transformer（ViT）模型可以通过多头自注意力机制直接考虑远距离信息交互,然后引入渐进式聚合策略在嵌入的过程中考虑遥感影像局部的空间信息,再使用轻量级通道注意力模块考虑关注遥感影像的通道信息,由于提高了空间和通道的特征提取能力,因此仅需较少的层数可达较好的分类精度。（4）本文设计并实现了基于轻量级深度网络的场景分类原型系统,并在UCM、AID和NWPU三套数据集上对比了本文提出的两种场景分类方法。同时,以Google Earth遥感影像实现了银川市的城市功能区遥感监测,该成果能够快速准确的在场景数据集和银川市遥感影像上执行场景分类任务,可有效助力“建设黄河流域生态保护和高质量发展先行区”。