随着科学技术的快速发展,能够获取遥感图像的光学、热红外、雷达等卫星种类日益增多,也使得遥感图像的分辨率不断提高、规格不断扩大,可以记录的地表信息也日益丰富、细节日益完善,但传统的遥感图像分类方法对于日益复杂的场景下遥感图像的处理需求已无法满足。对于某个遥感图像数据集而言,遥感图像场景分类通过对其中的各类图像特征进行深层次的语义理解,可以自动按照人类的视觉感知方式识别不同场景,如机场、森林、港口、农田等。遥感图像场景分类作为遥感图像应用领域的一个重要分支,已成为遥感图像处理中一个具有实际意义的研究热点。过去二十年中,许多专家学者对遥感图像场景分类开展了大量的研究与讨论,提出了各种基于不同角度的改进算法。但是由于遥感图像获取过程中的复杂性、地物类别之间的多样性、空间布局结构之间的多变性等原因,场景分类仍然具有很大的研究空间。本文结合数学理论中李群的相关研究,提出了一种基于李群核学习的遥感图像场景分类研究,主要的研究包括:(1)研究各种图像特征的特点与常见的特征提取方法,综合分析它们之间的优缺点,总结前人在李群相关理论的研究和应用成果,构建一种基于李群的图像场景语义特征模型,对场景图像特征进行提取,减少图像中冗余和干扰的信息,构建高层次、更具有代表性的李群协方差特征。(2)结合李群在分类上表现出的较强应用能力,将李群相关算法引入遥感图像场景分类。利用李群与李代数之间的转换关系、基于李群内积空间的度量形式和核函数原理对支持向量机算法进行优化,得到适合遥感图像场景分类的李群核函数。设计一个基于李群核学习的遥感图像场景分类模型,提升遥感图像的场景分类性能。(3)选择公开遥感图像分类数据集UC Merced Land Use和NWPU-RESISC45进行实验。通过对比本文提出的分类模型与其它经典深度学习方法在遥感图像场景分类任务中的实验结果,探究李群相关理论在遥感图像场景分类上的有效性。实验结果表明,本文提出的分类模型能够取得更高的准确度,在数据集UC Merced Land Use上达到98.91%的分类精度,在数据集NWPU-RESISC45上达到94.21%的分类精度。本文解决问题的角度与采用的方法对后人研究李群与遥感图像场景分类具有一定的参考意义。