随着深度学习的不断发展,越来越多基于监督学习的分类算法被引入到了实际遥感图像的场景分类中。然而,这类基于监督学习的场景分类方法需要大量的标签样本,但在实际的应用中往往很难直接获取得到足够多的标签样本。如何有效地解决遥感图像标签样本不足的问题,提出一个更具泛化性能的分类方法是本研究的一个主要课题。本文旨在将生成对抗网络引入到遥感图像分类模型的研究中,探究基于监督学习和无监督表征学习下生成对抗网络对于遥感图像场景分类的前瞻性和适应性。本文通过其他先进的深度学习方法和改进的理论模型来提升生成对抗网络的特征提取能力和样本扩充能力,以及改善训练过程中不稳定的问题。本文主要的研究内容及结论如下:第一,为了在加深网络结构的基础上解决梯度消失的问题,本文引入了残差模块。将生成对抗网络的生成器和鉴别器都改为残差网络,这样既能加深网络结构使生成器能够生成高质量的假样本图像,又能提升模型的拟合能力。最后利用辅助分类器实现监督学习分类,并根据标签来生成假样本图像达到样本扩充的目的。第二,针对无监督表征学习分类方法中特征提取困难和生成样本鲁棒性差的问题,本文提出了一种新的基于带权重惩罚项的生成对抗网络(WGAN-GP)的无监督表征学习模型。该模型优化了原始生成对抗网络模型的目标函数,在鉴别器后面增加了一个多特征融合层。多层特征融合除了为分类器提供特征信息外,也为生成器反馈特征匹配的梯度信号,使生成器能够生成接近真实样本图像的假样本图像。本文使用由全连接网络构成的多层感知机分类器(MLP Classifier)来实现分类功能。通过实验分析和验证,本文提出的基于监督学习和无监督表征学习的两种分类方法能够实现遥感图像场景分类任务,与其他深度学习方法相比,有更加强大的样本扩充能力。