随着遥感技术的发展,可利用的遥感图像数量显著增加,但图像的标注不能跟随图像获取的步伐,这种大数据与少标签之间的矛盾正是目前遥感图像分类面临的一大困难。这在需要足够训练样本的深度学习遥感图像分类上显得尤为突出。迁移学习可以将标注好的源域数据集中旧的知识迁移到新的没有标注的目标域数据集上,提高分类效果。因此,深度学习和迁移学习的结合是解决这个困难的方向之一。本文在现有的深度迁移学习方法基础上,针对遥感图像进行研究,主要研究成果如下:(1)探究了针对遥感图像的深度卷积神经网络可迁移性,并基于几个在ImageNet上训练好的深度卷积神经网络实现遥感图像分类任务,在UC Merced数据集上的实验结果表明Resnet50的迁移性能好于VGG16和InceptionV3,并且对网络的卷积层进行微调可以提高分类性能。(2)结合集成学习的思想,提出了基于多模型迁移特征融合的遥感图像分类算法。利用具有可迁移性的分类模型,基于这些训练好的预训练分类模型提取迁移特征,根据这些迁移特征的互补性,将多个迁移特征进行融合,最后使用分类器分类。并且探究了不同迁移特征赋予不同权重时对多模型迁移特征融合算法的影响。通过在三种遥感图像数据集上进行实验,并与不同的特征提取算法进行比较,验证了提出算法的有效性。(3)针对遥感图像训练数据无标签的情况,提出基于深度领域混淆(Deep Domain Confusion,DDC)方法改进的无监督领域自适应方法,它利用高阶统计准则作为相似性度量方法,并采用弱参数共享的双流结构作为特征映射网络,实现了目标域无标签的遥感图像分类任务。实验结果表明,相比于DDC方法,提出的改进方法能够学习到领域间不变特征和特定领域特征,使模型更适用于目标域任务,提高对目标域数据的泛化能力。