近年来,随着遥感技术的发展,人们所获得遥感影像的数量和分辨率均有飞跃式增长。这些遥感影像具有数据量大、覆盖范围广和时间连续性强的优点。为了更高效的处理遥感影像,遥感影像场景分类任务受到了越来越多研究学者的关注。遥感影像场景分类的本质是将图像内容映射到语义信息标签的过程,而遥感影像本身内容复杂且目标尺寸变化剧烈,大大增加了遥感影像分类任务的难度。传统的遥感影像分类方法由于抗噪能力不强以及运算复杂度过高的原因,通常无法准确快速的对遥感影像进行分类。近期,随着深度学习模型的发展,一大批基于深度学习的图像分类方法被设计出来,遥感影像的分类性能相较于传统的分类模型得到了明显提高。然而,这些方法通常缺乏对遥感影像中多尺度特征和局部特征的考虑,这导致遥感影像分类模型的性能无法进一步提高。本文基于深度学习的方法,结合多尺度机制和局部特征学习机制设计了三种遥感影像场景分类方法,主要工作如下:（1）提出了一种注意力机制多尺度深度学习的遥感影像场景分类方法:该方法考虑到当前分类模型缺乏对局部特征的考量,使用通道注意力机制获取遥感影像的局部表征特征。通过实验发现通道级注意力及机制在遥感影像场景分类中存在的注意力区域过于集中的问题。考虑到以上问题,该模型设计了注意力多尺度模块用于扩大注意力机制的关注区域,模型所捕获的局部特征区域尽可能的扩大,使得图像的分类特征具有很好的表征性,从而提高了模型的分类准确性。（2）提出了一种基于注意力统一机制的遥感影像场景分类方法:传统的卷积神经网络缺乏对遥感影像局部特征的获取限制了卷积神经网络的分类性能。考虑到以上问题,设计了并行注意力机制分别从通道和空间两个维度获取遥感影像的局部特征并进行融合。为了进一步提高遥感影响特征的判别性,该方法从遥感影像之间的关系考虑（拉近同类图像特征距离）,设计了注意力统一模型,对遥感图像的注意力区域进行统一,有效的提高了模型的分类能力。（3）提出了一种基于全局和局部信息的Transformer遥感影像场景分类方法:考虑到卷积神经网络由于多次堆叠卷积层所导致的运算量大以及过拟合问题,该方法使用了在自然语言处理领域中大放异彩的Transformer模型,其中的自注意力机制能够捕获遥感影像中的全局信息,并有效的减少了模型的复杂度。考虑到遥感影像的复杂性,该方法设计了联合损失函数,将遥感影像的全局特征和局部特征相结合共同用于遥感影像的分类任务,实验证明该方法针对遥感影像场景分类任务有优秀的性能。实验证明本文所提方法能够提取更有代表性的特征并且具有更好的分类性能。