近年来,随着对地观测技术的快速发展,多源和高分辨率已成为遥感图像发展的趋势,随之而来的是对图像处理能力的更高需求。研究表明,相比于支持向量机、逻辑回归等浅层结构,深度神经网络凭借多维度、深层次的结构特点具有更强的特征提取能力。在大数据图像处理中,以卷积神经网络为代表的深层结构具有更高的性能,但同时需要相对更多的标签训练样本。虽然目前遥感图像的获取渠道众多,但数据标注的过程往往耗费巨大。因此,部分遥感领域面临标签样本缺乏的挑战,研究有限标签样本(小样本)下的深度学习方法十分有必要。本文研究了基于小样本深度学习的遥感图像分类与分割方法。在标签样本有限的情况下,提出两种深度学习方法分别提升高光谱图像分类准确度,以及跨数据库遥感图像分割准确度。本文的具体工作与贡献如下:(1)在卷积神经网络的基础上,研究了深度学习方法在遥感图像分类与分割中的应用,分别为基于三维卷积神经网络的高光谱图像分类方法,以及基于全卷积神经网络的遥感图像语义分割方法。(2)研究了基于小样本深度学习的高光谱图像分类方法。针对缺乏标签样本的挑战,基于半监督学习和流形学习的局部保留投影方法,提出了一种局部保邻卷积神经网络。在全连接层中引入大量容易获取的无标签样本,利用其内在地理位置相关性,提高图像分类准确度的同时减少深度学习对标签样本的依赖。(3)研究了基于小样本迁移学习的跨数据库遥感图像分割方法。通过下载、标注和数据增强构建必应和百度遥感图像数据集,包含道路、建筑、水域和植被四个目标类别。采用深度学习与迁移学习结合的方法,将公开大数据集预训练的SegNet模型迁移到必应和百度数据集上。针对跨数据库模型性能降低的挑战,利用有限的标签样本微调模型,提升图像语义分割准确度。