近年来,随着遥感智能解译技术的飞速发展,联合大数据、云计算和新型无线通信等技术构建智慧交通,实现全要素信息感知和协同互联的新一代交通运输系统已经成为行业发展的趋势。大量搭载着高分辨率光学相机和激光雷达等传感器的卫星/无人机平台会产生海量的对地观测数据,极大促进了遥感智能解译技术在交通基础设施勘察设计、交通流量监测和交通灾害应急响应等领域的应用。高分遥感影像场景分类作为遥感智能解译技术的基础研究任务得到了国内外研究者的广泛关注。卷积神经网络的不断发展给遥感场景分类提供了新的机器学习范式。相比于自然图像,高分遥感影像中存在尺寸变化较大的地物目标以及多尺度地物目标共存的复杂场景,这使得如何准确地提取多尺度特征成为当前研究的难点。同时,如何构建轻量化的网络并将网络高效地部署到资源受限的边缘终端上也成为一个极具挑战的课题。本文主要研究通过多尺度特征表达并构建轻量化网络来优化高分遥感影像场景分类任务的分类性能,内容如下:1)针对场景中存在的地物目标尺寸变化较大的问题,本文提出了一种多尺度特征融合协方差网络来提取高分遥感影像中的多尺度特征。所提网络结合倍频卷积的高低频分支结构提出了一种新的多尺度特征提取模块,并使用全局协方差池化来保留特征中的深层语义信息。在公开数据集UCM21、RSSCN7、AID30和NWPU45上的实验结果表明所提网络可以有效提高高分遥感影像场景分类任务的分类精度。2)为了构建轻量化的网络并在细粒度水平上提取多尺度特征,本文提出一种新的多尺度深度卷积,通过细粒度的特征复用来提高网络的多尺度特征表达能力并且不增加模型的计算复杂度。此外,本文还提出一种高效空间金字塔注意力机制来捕获特征图中的关键信息。在公开数据集UCM21、WHU12、AID30和NWPU45上验证了所提网络可以实现较好的分类性能同时减少了网络的计算成本。本文的研究通过不同的多尺度特征提取方式改善了高分遥感影像场景分类任务的分类性能。并且构建了轻量化的网络结构帮助实现在卫星/无人机平台上的部署,进而促进遥感智能解译技术在交通运输领域中高效快捷的应用。