遥感技术是一门以航空摄影为基础,融合了光谱学、气象学、地理科学、计算机科学等多种学科的综合技术。现代遥感技术已经深入应用到人类的工作和生活中,在海洋资源开发与利用、天气分析与气象预报、国土资源勘查、农作物估产、军事侦察、智能城市等领域发挥重要作用。遥感卫星发射技术的发展推动了高光谱分辨率遥感、高空间分辨率遥感、热红外遥感、合成孔径雷达遥感等方向的研究,也使得高分辨率遥感影像的获取变得越来越便利,传统的遥感图像解译方法已经无法适应大数据背景下的遥感分析需求。为了更加深入的挖掘高分辨率遥感图像中的信息,本文围绕图像去雾、场景识别、语义分割三个层层递进的问题进行一系列研究。同时,我们提出了端到端的系统模型,对遥感数据集上的迁移学习进行了探索。具体工作如下:一,利用模拟生成的雾霾图像切片构建训练数据集,借鉴现有深度神经网络的主要架构训练得到去雾模型,在测试阶段实现端到端的去雾模型,而且实时性获得了巨大提升;二,利用显著性检验和AP聚类算法对遥感图像进行预处理,送入离线训练的分类网络中进行场景预测。在离线训练阶段,使用迁移学习的方法对其他数据集上的预训练模型进行微调,加快了收敛速度,减少了训练时间;三,我们将图像级的分类任务延伸到像素级的分类任务,对遥感图像进行语义分割。基于SegNet模型训练了道路和建筑物两类分割网络,在测试集上的实验结果优于传统的方法。本文的研究将深度学习与遥感技术结合起来,并且尝试用迁移学习的方法去解决深度学习存在的数据需求,为遥感技术的广泛应用提供了一定的技术基础,也为深度学习在新领域的研究提供了思路。