随着卫星传感技术的迅猛发展,获取的遥感图像数据量日益增多且分辨率不断提高,给遥感图像的信息提取和解译工作带来了巨大挑战。高分辨率遥感图像分类是遥感图像解译的一项重要任务。由于传统的面向像素和面向对象的分类方法只能实现对地物目标的分类和解译,无法描述高层次场景语义信息,因此,对高分辨率遥感图像进行场景语义层面的理解和分类成为了当前遥感图像解译中活跃的研究课题。近年来,国内外研究学者开展了大量的遥感场景分类研究,提出了一系列基于特征编码的遥感场景分类方法,有效地提取遥感场景语义信息。然而,现有的场景分类方法仍存在以下问题:(1)传统基于特征编码的场景分类方法需要从场景中提取人工设计的低层局部特征,而低层特征对场景描述能力不足,限制了特征编码方法的性能;(2)基于特征编码的方法中通常采用较为复杂的字典学习和特征编码方式,使得获取场景特征表达的过程复杂且耗时;(3)现有分类方法提取的场景特征多为中层特征,不能有效描述场景高层语义,导致场景特征表达能力和区分能力有限,影响分类效果。针对遥感场景分类存在的问题,本文开展了基于非监督特征学习和深度学习的高分辨率遥感场景分类研究,主要研究内容和创新之处包括:(1)提出了基于谱聚类的非监督特征学习的场景分类方法。针对传统场景分类方法对人工设计低层特征的依赖、局部低层特征描述能力不足的问题,利用非监督特征学习从场景图像块的原始像素信息中自动地学习出能描述遥感场景特性的局部特征;同时,针对图像块原始维度过高导致非监督特征学习计算效率较低的问题,提出基于谱聚类非监督特征学习(UFL-SC)的场景局部特征提取框架,使得非监督特征学习过程在图像块低维空间中进行,提高了场景局部特征学习的效率。(2)提出基于快速二值编码(FBC)的场景分类方法。针对传统场景分类算法中低层特征提取、字典学习以及特征编码等步骤相互隔离且计算复杂耗时的问题,本文采用非监督学习算法从场景局部图像块中自适应地学习出能有效描述场景局部纹理和结构特性的滤波器,并通过对滤波响应进行二值化处理,快速地获得场景特征表达。FBC将局部特征提取、特征编码和特征池化等过程通过简单的线性滤波和二值化方式进行联合,在保证分类性能的前提下极大地提升了获取场景特征表达的效率,相比于传统的场景分类方法,FBC在计算速度上体现出了巨大优势。(3)提出基于卷积神经网络迁移的场景分类方法。本文利用迁移学习的思想,将在自然图像数据集上已成功预训练卷积网络直接迁移到遥感场景数据中,直接从预训练网络中提取场景特征。针对卷积网络全连接层和卷积层响应的在表现形式上的不同,分别提出了两种基于预训练卷积网络的场景特征表达方法。考虑到卷积神经网络结构的特殊性,提取多尺度卷积特征,将场景多尺度信息引入到卷积特征编码中,获得能够描述场景尺度信息的场景特征表达。通过在公开遥感场景数据集上的分类实验表明,预训练卷积神经网络可以有效地迁移到遥感场景数据中,并且从网络卷积层和全连接层上提取的特征均包含场景高层语义信息,具有很强的场景描述能力和类别区分能力。(4)提出基于深度主题特征表达的场景分类方法。本文结合深度特征优异的迁移性,利用概率潜在语义分析模型,挖掘预训练卷积神经网络深度特征与场景主题之间的关系,针对网络不同层次响应形式的差别,分别提出两种场景主题特征表达方法:多尺度深度语义特征表达(MSDS)和多层次深度语义特征表达(MLDS)。两种方法产生的深度主题特征相比于原始的场景深度特征,不仅具有更低的特征维度,而且能够描述更加抽象的场景内容,具有更强的区分能力。两种方法充分利用场景尺度信息和空间信息,使得场景特征表达能力得到进一步提升。(5)提出基于深度稀疏表达(DSR)的场景分类方法。本文结合稀疏编码算法能减小重构误差、挖掘特征显著属性的优点,将预训练卷积网络中提取的卷积特征映射到高维度的稀疏特征空间中,并对稀疏特征进行简单最大值池化处理,从而获得场景特征表达。实验表明,DSR产生的场景特征在特征空间中线性可分,与简单的线性分类器相结合在公开的遥感场景数据集上取得了突出的分类性能。本文提出的多种遥感场景分类方法从不同角度解决了当前场景分类方法中存在的问题,不仅提升了场景特征获取的效率,而且大幅度提高了场景分类性能。因此,本文的研究成果具有重要的学术和应用价值。