近年来,基于神经网络的遥感图像分类方法成为了遥感图像分类问题的重要研究方向。同时,越来越多的研究证明生成式对抗网络(GAN)在图像分类与特征提取上具有很大的优越性。由于对抗机制的存在,GAN能比其他方法更快速有效地进行特征学习和特征表示。受GAN模型的启发,针对不同类型遥感图像,本文提出了两种新的遥感图像分类模型。具体创新如下:1、针对RGB遥感图像分类问题,提出了基于Pix2Pix的改进模型Enhancing Pix2Pix(ePix2Pix)。在本模型中,将遥感图像分类问题考虑成为图像生成或图像转换问题,基于当下性能最好的模型做出改进。我们在原有模型结构基础上,添加了控制器(Controller),控制器的作用是根据生成器的输出来重建模型的输入,将重建误差加入模型的优化目标后,可有效地提升模型的分类性能和稳定性。2、针对高光谱遥感图像的分类问题,提出了Discriminative GAN(DGAN)分类模型。为了解决传统方法中出现的同谱异物或同物异谱现象,我们提出了“同类对”、“异类对”、“真假对”的概念。DGAN通过整个网络的训练过程,学习了同类对的特征相似性,异类对的特征距离和真假对的特征距离。利用GAN的对抗特性与在特征提取上的优势,在模型训练的过程中,通过“对抗”的驱动,同类对之间的相似性会变大,异类对的相似性则变小,使得DGAN的分类性能优于其他模型。DGAN学习到的是特征对之间的关系,而不是仅仅做了单个特征的映射或变换。我们在研究过程中进行了对比实验来验证提出的模型的优越性。其中,ePix2Pix在多个数据集上的分类准确度比Pix2Pix高出3%以上,DGAN在多个数据集上的分类准确度比现有的其他方法高出2%以上。