随着遥感观测技术的迅速发展,获取的遥感图像分辨率越来越高,数据量越来越多,包含了丰富的地物信息,可用于土地资源规划、环境监测等领域。遥感图像信息量的增加与数据应用的滞后相矛盾,因此面对海量的图像数据如何快速实现分类是提升遥感图像利用效率的关键。传统的图像分类方法主要是依靠人工设计特征来提取图像特征,但由于该类方法识别精度较低、对噪声敏感等因素,在各个领域的发展及应用受到一定程度的限制。与传统方法相比,利用卷积神经网络（CNN）进行遥感图像场景分类,已取得许多突破性的进展。本文在卷积神经网络理论的基础上,论述了如何利用卷积神经网络模型对遥感图像进行场景分类,主要研究内容如下:（1）针对单一特征场景分类效果差问题,提出基于深浅层特征融合的遥感图像场景分类方法。将不同层次特征组合对于图像特征表达起到相互补充的作用,丰富图像语义信息。首先利用尺度不变特征变换（SIFT）算法提取遥感图像的浅层局部特征,然后再利用局部特征聚合描述符（VLAD）算法对浅层局部特征进行编码,获得图像的浅层全局特征;将预训练的VGG-16模型作为特征提取器,对遥感图像进行深层特征提取,分别提取具有场景局部信息的卷积层特征（深层局部特征）和全局信息的全连接层特征（深层全局特征）;最后以深层特征为基础,与浅层特征融合,形成新的特征向量作为ELM的输入数据,进行遥感图像场景分类。在RSCCN7和WHU-S19两个公开的数据集上进行实验,实验结果表明融合特征比单一特征更能精准的描述图像,且与分类效果最好的单一特征相比,分类精度分别提高了1.66%和4.58%。（2）针对小型遥感图像数据集训练新的网络模型难、过拟合大、泛化能力低等问题,选择迁移学习作为基础训练方法,对预训练模型进行优化和微调训练。主要使用的预训练模型为Alex Net和VGG-16,引入批正则化（BN）以及激活函数Leaky Relu等方法,对网络模型结构进行优化,最终实现端到端的分类模式。根据网络模型在RSSCN7数据集上的实际训练效果,不断调整、改变激活函数参数、学习率、批尺寸等参数值,以减少过拟合状况,获得最佳的分类效果。通过多项对比实验,分析了各个参数对网络模型性能的影响,并为各个模型选择合适的参数值,最终得到的卷积神经网络模型在遥感图像的场景分类效果有了显著提升。Alex Net和VGG-16新的网络模型的分类准确率较其原始模型的分类准确率分别提升9.68%和11.42%,进一步验证该方法可以提升遥感图像场景分类效果。综上所述,本文主要采用卷积神经网络模型来解决遥感图像的场景分类问题,从其作为特征提取器和微调预训练模型两个角度出发:一方面对提取的特征进行多层次融合,增强特征表达能力;另一方面则对预训练模型优化和微调,以改善过拟合状况。本文所采用的方法均在公开的数据集上进行验证且取得了较好的效果,对于遥感影像场景分类问题具有一定的参考价值。