随着遥感卫星技术的快速发展,海量的遥感时序图像不断涌现。由于在土地覆盖图更新和自然灾害风险评估等方面发挥着日益重要的作用,多时遥感图像分类问题引发了学者们的广泛关注。多时遥感图像分类旨在利用现有的有标签的源域图像信息,对无标签的目标域图像进行分类。传统的分类算法中,大多数需要人工标记数据,效率低下,且其所依据的领域自适应方法中还需要满足源域图像和目标域图像分布具有相关性的假设。为了解决上述问题,近年来各种成熟的变化检测技术凭借其标签迁移的优势逐渐应用到多时遥感图像分类任务中来。基于变化检测的多时遥感图像分类算法利用变化检测图中未变化的区域,实现标签从源域图像到目标域图像的迁移,进而重新训练目标域图像分类器。然而这种方式所利用的变化检测图难免会存在误差,因为传统的变化检测图大多数都是基于像素级别的,极易受到噪声等因素的干扰,同时对图像理解不够深入,这些误差必然会对标签的迁移产生不利影响。况且当前目标域图像分类器的设计过于简单,所依赖的变化检测图只是基于无监督方式下的,这也使得多时遥感图像分类任务难以获得较高的分类精度。针对这两个问题,本文分别提出了两种算法加以改进。本文的主要内容可概括如下:第一,本文中提出了一种基于快速非支配排序遗传算法优化高斯混合模型的遥感图像变化检测算法。与传统的基于像素的变化检测算法不同,本文将超像素作为基本的研究单元,使用堆叠降噪自编码器网络对差异图分割得到的超像素样本进行特征提取。然后,在差异图分析阶段,设计了一种改进多目标优化的聚类算法。对于提取到的超像素特征,选择对数似然函数和两类之间的Bhattachayya距离作为两个优化目标,采用NSGA-II算法对高斯混合模型进行优化,最终生成精度更高的变化检测图。在真实的遥感图像数据集上的实验结果表明,该方法优于其他经典的变化检测方法,证明了该方法的有效性、可行性和优越性。第二,本文中提出了一种基于卷积神经网络的多时遥感图像分类闭环框架。传统的基于变化检测的遥感图像分类算法中,常使用无监督的变化检测图进行标签迁移,其较低的检测精度极易引入错误标签。因此在本文的闭环框架中,采用有监督和无监督融合的方式,生成精度更高的变化检测图。同时,针对基于卷积神经网络的分类器设计,一方面考虑遥感图像的特性,在Le Net分类网络中添加了压缩激励模块,更好地提取遥感图像的深层次特征;另一方面,在对迁移样本的训练过程中,采用自步课程学习算法,将样本从简单到复杂进行分类,从而使得分类器的训练更加高效且准确。四组真实的遥感数据集（两个地区）的结果表明,该方法效果优于对比算法,在多时遥感图像分类问题上具有适用性。