随着先进遥感技术的迅猛发展,大量高分辨率遥感图像被应用于自然灾害监测、城市规划、生态环境评估等领域。广泛的应用迫切需要对众多高分辨率遥感图像进行自动且精确地解译。遥感图像场景分类作为遥感图像解译基础之一,在遥感领域得到了广泛地关注。不同于遥感图像传统的像素级和对象级分类研究,遥感场景分类是一项场景级解译任务。其目的是根据人类的理解对给定的遥感图像赋予场景语义标签（学校、火车站等）。因此,如何获得高分辨率遥感图像的场景特征并进行场景语义层面的理解成为了当前遥感图像解译工作的热点问题。近年来,随着国内外研究学者在遥感场景分类领域不断地探索与钻研,场景分类效果得到了显著地改善。然而,由于高分辨率遥感图像地物组成丰富多样、空间结构复杂多变,现有的遥感场景分类算法仍有不足。通过分析高分辨率遥感图像的成像特点,系统地总结前人工作,本文开展了基于深度特征表达的场景分类方法研究,主要研究内容和创新工作包括:（1）针对卷积神经网络深度特征无法充分地描述遥感场景特点的问题,提出一种多尺度深度特征表达遥感场景分类算法（MDFR）。该算法首先结合特征图选择与区域表达算法生成场景的局部特征,然后基于全连接层获得场景的全局特征,最后利用特征级融合方式（element-wise addition）融合局部与全局特征。由于同时顾及了遥感场景的局部与全局信息,该算法提高了卷积神经网络深度特征的表达能力。公开数据集上的实验结果表明,该方法可有效提高遥感场景分类精度。（2）为解决因遥感场景类内差异大、类间差异小,卷积神经网络深度特征区分度较低的问题,提出一种半监督中心损失遥感场景分类算法（SSCL）。该算法结合已标注遥感场景样本较少的特点,利用未标注的场景样本将中心损失算法改进为半监督形式,并构建了一个端到端的场景分类框架。由于融合了标注与未标注样本的场景信息,卷积神经网络深度特征区分度明显增强。实验结果表明,该方法改善了遥感场景的分类性能。