近些年来遥感观测系统逐步完善提升,通过传感器获得越来越多的遥感图像。遥感图像也应用到了环境监测、土地测量、军事侦察和场景分类等领域,其中场景分类是一个十分重要和热点的任务。随着深度学习的发展,遥感图像场景分类的性能也随着提升。这个提升的前提是在同一个遥感数据集中进行监督训练,也就是说训练样本和测试样本来自相同的数据集。但在真实的野外场景,通过不同的方法采集的数据集会受到光照、空间分辨率等自然条件和设备因素的影响,这样就导致训练和测试样本数据特征分布不一致,形成了跨域的问题,所以场景分类的准确率会受到严重的影响。为了更好地解决这个问题,本文探究了将域自适应方法应用到遥感场景分类中。在域自适应的背景下,训练集和测试集来自不同的数据集,训练集被称为源域,测试集被称为目标域。本文主要的研究内容包括以下两个方面:首先针对源域和目标域特征不一致的情况,采用传统的对抗学习的思想将二者映射到同一个特征空间中并混淆在一起,然后实现特征分布的对齐。主要过程是生成器生成特征让判别器不能判断特征来自源域还是目标域,判别器和生成器形成对抗,判别特征的来源。但是这样并不能形成有效的决策边界,也就是源域和目标域特征只是被混合在了一起,类和类之间没有效的分开。所以本文在对抗域自适应的框架中融合了伪标签模块,这个模块的功能是为目标域生成伪标签,通过伪标签来形成决策边界更好地进行遥感图像场景分类。其次在第一个研究中提出的伪标签算法,是通过手动设置阈值来过滤掉置信度低的标签。针对手动设置阈值的问题,本文后续提出自动学习出一个阈值来增强伪标签算法。该算法采用主副两个分类器,两个分类器分别接入主干网络的不同层次以增加分类区别。某些样本的预测结果就会出现两个分类器不一致的情况,而这就是标签错误的地方。通过度量误差产生伪标签,再使用方法一中的对抗自适应流程,更加准确地对齐两个域之间的特征。最后为了使更多研究人员能够方便快捷的使用遥感图像分类,本文使用提出的方法,结合软件开发流程,开发了一个遥感跨域图像分类系统。本文的研究工作集中在遥感图像跨域分类中,使用对抗域自适应和伪标签结合的方法来提升分类的效率,其中提出了自学习的伪标签算法来弥补手动设置阈值的不足。通过在六个遥感跨域数据集上实验,得出了高于其他方法的实验结论,充分证明了本文提出方法的优越性。