通过不同遥感平台获取的多源遥感影像为对地观测提供了丰富的数据源,通过影像解译可获取大量的地理数据和空间信息,在农业、林业、生态环境等领域中发挥着重要作用。“场景分类”作为理解遥感影像的重要方式之一,成为遥感影像分类研究中的热点。随着航空遥感技术日渐成熟,其成像方式灵活、空间分辨率高等优势,为场景分类提供了丰富的数据源,但也面临数据量大、运行时间长、分类精度不高等挑战。本文采用基于低级和高级视觉特征的分类方法,并在UC-Merced和AID两个主流的航拍影像场景数据集上测试,对比分析两类方法的表现。主要研究内容如下:（1）采用一种结合颜色与纹理特征的场景分类方法。首先利用基于HSV空间中的颜色直方图（HSV-CH）、局部二值模型（LBP）和梯度-灰度共生矩阵（GLGCM）三种特征描述符解译图像的颜色和纹理信息,然后将提取的特征堆叠成新的特征向量,最后将标准化后的新特征向量输入到四种常见的分类器（SVM、KNN、RF和LR）中进行训练,得出整体精度,比较几种分类器模型的结果,选出最佳的组合模型。在UC-Merced和AID两个航空场景分类数据集上对该最佳组合模型进行了验证。在随机选取数据集中80%的样本量作为训练集的情况下,UC-Merced数据集的最高总体精度OA达到了86.48%,而AID数据集在训练集为50%样本量的情况下,最高总体精度OA也有75.34%。两个数据集的实验结果都表明,本方法较SIFT、Color-HLS、LBP等基于低级视觉特征的方法相比有一定程度上的提高,甚至好于Bo VW、IFK等依赖中级视觉表征的方法。因此,本分类方法有效提高了仅基于低级视觉特征的航拍场景分类性能。（2）采用一种基于AlexNet-CBAM网络的航拍场景分类方法。在经典网络AlexNet的原模型上进行改进,将原模型中的局部响应归一化（LRN）层和Re LU激活函数使用批归一化（BN）层和h-Swish激活函数进行替换,并加入卷积块注意力模块（CBAM）,使网络模型在通道和空间两个维度上关注重点信息。新的深度学习模型AlexNet-CBAM的具体结构通过在WHU-RS19数据集上的实验确定,并将最终确定的AlexNet-CBAM模型在UC-Merced和AID两个数据集上进行实验验证。数据集在进行实验前会进行一些简单的预处理工作来增加样本量。之后,再和两个经典的CNN网络:AlexNet和VGG-16,进行对比论证。实验结果表明,AlexNet-CBAM模型解译场景影像的有效性相较于其他两种经典网络有所提高。在UC-Merced数据集上,AlexNetCBAM模型的测试准确率达到了98.64%（测试与训练的样本比例为2:8）,比AlexNet高出4.24%,比VGG-16也要高出1.89%。该模型在AID数据集上的实验结果也达到了94.08%（测试与训练的样本比例为5:5）,相较于AlexNet和VGG-16两个经典模型的准确率分别高出7.26%和4.84%。综上所述,基于低级视觉特征分类方法与基于高级视觉信息分类方法在相同数据集上的表现有所差异。对于UC-Merced数据集,第一种方法的总体精度为86.48%,第二种方法分类精度达到了98.64%,比第一种高出12.16%。同样在AID数据集上,前者的分类精度要低于后者,分别达到75.34%和94.08%。虽然基于低级视觉特征分类方法的有效性与基于高级视觉信息相比较差,但前者在某些方面也占有一定优势,例如时效性强以及对硬件的要求低。CNN模型中有数以千万计的参数参与训练,其训练花费的时间是机器学习的几十倍。且CNN性能的优劣在一定程度上依赖数据样本的规模以及模型的复杂程度,而数据样本规模越大、网络模型越复杂,对于运行实验的硬件要求就越高。