针对海量遥感影像,探索高效便捷的智能解译途径,完成数据到知识的信息增值具有重要的社会和商业价值。作为遥感图像解译的重要组成,场景分类旨在对地物目标及空间模式进行建模,并准确判读场景语义类别,可充分反映图像高层次语义信息。上述过程对空间要素、结构和格局的描述更直观,因此场景分类成为遥感领域重要的研究课题。高分辨率遥感图像具有地物多样性、复杂背景干扰及同类地物多变、空间模式丰富和地物间同质性高等特点,造成场景存在类间相似度高、类内差异性大的挑战,故亟需提取更具鉴别力的场景级语义特征以提高分类精度。相比传统依赖领域知识的手工特征,深度学习具有抽象特征提取能力,可用于表征场景高层语义。但现有面向遥感场景分类的深度学习方法存在深度特征表达单一的问题,对多层级特征、关键区域属性、上下文信息、光谱信息等探索不足。鉴于此,论文立足场景深度语义特征表达这一有效途径,基于深度学习和迁移学习理论,从深度编码特征学习、全局-局部结构探索、上下文语义理解及空-谱联合表征四个层面开展遥感场景分类研究。论文主要内容和贡献如下:（1）针对预训练卷积神经网络中潜在信息未被充分探索的问题,提出卷积神经网络层次特征融合框架实现深度多元信息的有效挖掘。该框架包含两个并行模块,分别处理卷积特征和全连接特征。第一个模块为基于自适应空间注意力的多尺度非线性视觉词袋模型,该模块编码多层卷积特征图时,不仅充分考虑局部特征间的多元非线性关系,且探索关键区域响应与多尺度信息;第二个模块采用加权图像金字塔,通过聚合局部图像块的全连接特征揭示图像的多尺度全局几何信息。融合互补上述层次特征可充分揭示预训练网络的丰富信息。（2）针对预训练模型作为特征提取器的方法未考虑遥感图像与自然图像的差异,导致模型判别能力受限的问题,构建并微调双流特征聚合深度神经网络实现更完备的深度特征表达。该方法可与现有卷积神经网络集成,主要包含两个平行部分,即鉴别特征流和通用特征流。在鉴别流中,引入全局均值池化替换预训练网络的全连接层,可有效学习任意尺度场景的鉴别特征;在通用特征流中,提出基于多尺度非线性编码的视觉词袋模型对卷积特征进行处理以获得更具通用性的场景多尺度编码特征表示。最后,融合双流特征可实现遥感场景多元深度特征提取。（3）针对复杂场景中地物尺度、纹理和形状等丰富多变及背景干扰遮挡,导致卷积神经网络相关方法分类精度受限的问题,设计一种全局-局部双分支结构模型以充分探索全局-局部多视野信息。该方法基于Res Net18-Res Net34双分支模型提取卷积能量图并转换为二值图像,从而得到最大连通区域的坐标,该连通区域即为场景关键局部区域。然后,构造一种全局-局部双流结构来分别学习原始图像和局部关键图像块的鉴别特征,并引入一种联合损失函数来有效地协调双流特征并提升特征的空间可分性。两种特征聚焦于不同视野的信息,因此通过融合局部特征流的决策结果,可有效提高全局特征流的判别能力,尤其是易混淆的语义类别。（4）针对基于卷积神经网络的方法忽略地物上下文关系,导致场景中几何结构和空间布局描述不够的问题,提出基于图卷积神经网络的场景分类方法以学习上下文语义关系。具体地,设计一种图卷积网络驱动的深度特征聚合（DFAGCN）框架,该方法利用预训练CNN获取多层特征,并构建图卷积网络揭示卷积特征图中局部特征的关联性,从而获得更为精细的上下文特征。通过引入三个加权系数可有效整合多层卷积特征和全连接特征。针对DFAGCN并非端到端网络导致应用能力受限,论文进一步提出并微调CNN-GCN联合网络用于遥感场景分类。该算法包含CNN流和GCN流,CNN流基于预训练Dense Net-121提取场景全局特征;而GCN流采用预训练VGGNet-16的卷积特征图构建邻接图,再通过GCN模型提取图像的上下文特征。通过整合全局特征和上下文特征实现具有竞争力的分类结果。（5）高空间分辨率影像大都为三通道或单通道,对于基本视觉属性类似的场景判别性不够,同时现有高光谱图像数据集难以直接用于场景分类,因此构建面向场景分类的高光谱遥感数据集以探索空-谱联合表征。数据集分为5类总计包含1385幅场景,每幅图像空间分辨率为1米并包含48个光谱波段,因此兼具丰富的光谱和空间信息。为评估空-谱联合表征对分类结果的影响,基于Alex Net、VGGNet-16、Goog Le Net和Res Net设计三组实验,分别为波段选择、全谱段信息及空-谱注意力机制。实验结果表明,引入光谱特征可提高场景判别能力,且所建数据集可为高光谱场景语义理解研究提供良好的数据基础。