随着遥感技术应用的发展,作为其重要分支之一的遥感影像场景分类与识别也需要不断发展和更新技术,结合深度学习在图像分类上已有的研究成果,往往能取得较好的效果,这对于场景分类的自动化与程序化而言非常重要。遥感影像分类与识别研究中存在的关键性问题是遥感影像的样本标注数据较少、在场景分类模型训练过程中极易出现过拟合,许多图像分类的模型和方法并不完全适用于遥感影像的场景分类。将小样本学习与遥感影像处理相结合,解决遥感影像数据增强和识别模型优化问题,是一个可行的思路。本文针对遥感影像分类与识别存在的关键问题展开以下研究。（1）根据遥感影像中标注数据缺少的问题,采用影像数据增强方法。通过对遥感影像数据进行添加随机像素、翻转、随机对比度等手段进行数据增强。同时借助小样本学习中的数据增强方法对数据集进行处理,采取从训练集转换样本、从相似数据集中转换样本、从弱标记或无标记的数据集中转换样本三种策略,在一定程度上扩充样本数据。使得模型有足够的训练数据和验证数据,防止出现过拟合。（2）针对数据尺度多样的问题,采取结合迁移学习的多尺度特征提取方式处理。通过迁移学习获得注意力权重,提取出多种尺度遥感影像数据的高层语义特征;再通过串行特征融合机制得到增强的特征信息,训练分类模型;通过测试数据得到分类、识别结果,最后对分类模型进行评估,验证小样本学习的相关理论和技术的适用性。一方面希望做到解放人力,减少解译者的主观因素,提高分类与识别结果的准确度;另一方面加快神经网络的收敛速度,以期望提高分类的效率。（3）提出一个优化的网络模型实现对多尺度遥感影像数据的分析与特征提取模型,在本文所使用的HN-7数据集以及商汤遥感影像地物分类数据集上,展开实验验证和分析。在实验中验证了本文使用的HN-7与商汤遥感影像地物分类数据集在所提出的结合多尺度特征提取的遥感影像分类与识别模型上基本达到了预期效果;同时本文提出的方法局限性较少,可以更好地适应多种复杂的遥感影像,具有一定通用性。小样本学习在遥感影像分类与识别上的应用研究表明使用注意力机制和迁移学习,能够缓解遥感影像样本标注数据量小所带来的问题;这也对未来小样本学习进一步应用于遥感影像分类与识别提供有益的参考。