海洋面积约占全球面积的70%,而海冰占据不到10%的海洋面积。然而,海冰对地球上的大气环流、能量平衡有着重要影响,是影响气候变化的重要因素。同时,海冰的存在对海上作业、极地考察等形成严重阻碍。所以,对海冰的检测显得尤为重要。海冰检测包含对海冰类型的判别,对海冰面积的预估以及对海冰边缘线的预测等,其中,海冰分类作为海冰检测的一项重要内容,是我们主要的研究方向。随着遥感传感器技术的精细化发展,可获得丰富的海冰区域的遥感影像数据。目前,基于遥感海冰图像分类的数据类型主要有光学数据和合成孔径雷达（Synthetic Aperture Radar,SAR）数据。光学数据蕴含丰富的光谱信息和空间信息,这些信息在分类过程中起到至关重要的作用;SAR数据具有不受云雾天气影响且穿透力较强等特点,很好地弥补了光学数据的不足,这使得SAR数据逐渐应用于遥感图像分类任务中。近几年,各种深度学习算法逐渐发展成熟,鉴于深度学习已经在目标检测、图像分类等方面取得的不错成绩,为基于深度学习的遥感海冰图像分类研究提供了新的思路。基于以上研究分析发现,目前的海冰分类研究仍然面临一些挑战。一是基于传统方式的图像分类方法无法提取到深层次的特征,常常会遗漏有利于分类的空间、纹理特征;基于深度学习的方法则需要大量的标记样本进行模型训练,而海冰存在于极端恶劣的环境,这使得采集实测数据变得十分艰难。二是单一数据源的局限性,有的数据受限于天气,而另一些数据缺少丰富的特征信息。因此,本文全面性地开展了基于深度学习方法的遥感海冰图像分类研究,提出了基于空谱特征结合的海冰分类方法以及基于异源数据融合的海冰分类框架,主要研究如下:（1）首先介绍了遥感海冰图像分类研究的背景意义以及国内外现状;然后,阐述了卷积神经网络（Convolutional Neural Networks,CNN）和Res Net网络的结构和原理,遥感图像分类的原理,数据融合的三种策略;最后介绍了基于深度学习网络进行空谱特征结合、异源数据融合的遥感海冰图像分类方法,分析了深度神经网络在遥感海冰图像分类应用上的可行性。（2）传统的光学遥感海冰分类大多单纯利用光谱信息,没有充分提取海冰图像中丰富的光谱信息和空间信息;同时,遥感海冰分类中样本难以获取导致的小样本问题一定程度上都限制了海冰分类精度的提高。针对以上问题,本文提出了一种基于PCANet网络的空谱特征联合的遥感海冰图像分类方法。首先,该方法使用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）和Gabor滤波器提取海冰的纹理和空间信息。然后,采用基于混合策略的波段选择算法提取最佳波段组合,并通过光谱和空间特征的融合深入提取海冰图像中隐藏的信息。为了更有效地提取海冰深度特征,设计了基于主成分分析滤波器的PCA网络,并使用哈希二值化映射和块直方图来增强特征的分离和降维。最后,将数据中的低层特征组成更为抽象和不变的高层特征,用于海冰分类。为了验证该方法的有效性,我们在渤海湾和巴芬湾两个不同的数据采集点进行了实验。实验结果表明,与其他单一特征和光谱-空间联合特征算法相比,该方法使用更少的训练样本和更短的训练时间,获得了更好的海冰分类结果（94.15%和96.86%）。此工作针对深度学习用于海冰分类的可行性进行探索研究,为下一步实验做铺垫。（3）由上述研究可知,目前深度学习模型大多应用于单源遥感数据的海冰分类中,由于单源数据的局限性及深度学习模型在逐层特征提取过程中容易出现的信息丢失限制,在需要精细分类的海冰检测中不可避免地遇到瓶颈。针对以上问题,本文还提出了一种基于Res FPG网络和异源数据融合的海冰图像分类方法。在特征提取部分,该方法利用改进的Res Net16提取海冰SAR数据和光学数据的多层次特征信息,减少特征提取过程中的信息丢失,再通过改进的特征金字塔模型（Feature Pyramid Networks,FPN）挖掘和融合低层空间信息和高层语义信息,再将不同尺度的输出特征经过空间金字塔（Spatial Pyramid Pooling,SPP）网络进行汇集融合;在特征融合部分,设计门控特征级融合策略,通过门控融合网络（Gated Fusion Network,GFN）机制自适应调整两种异源数据的特征贡献度。与其它图像分类方法相比,本文提出的方法充分挖掘并融合了异源数据中的多尺度、多层次特征并有效区分了特征贡献度,取得了更好的分类效果（97.14%和95.85%）。