在利用遥感技术对地球表面进行探测的过程中,多分辨率遥感图像的融合分类问题一直是非常关键的研究课题。一方面,随着信息技术的发展和硬件设备上的支持,人们可以从卫星、飞机等各种遥感平台上获取分辨率越来越高、内容越来越复杂的遥感图像。这些遥感图像所特有的数据多源异构、目标结构多变、背景纷繁复杂等特性,使得传统方法已经越来越难以满足对其进行高效解译的需求。而另一方面,深度学习在自然图像、视频和语音等领域的发展如火如荼,展现了其对海量数据强大的特征提取能力。因此,在本文的工作中,我们针对遥感数据的特殊性质,设计了专门用于处理遥感数据的深度神经网络模型,用以完成遥感图像融合分类任务。具体内容有:1.提出了一种基于自适应样本邻域迁移深度稠密分类网络,用于高分辨率遥感图像融合分类任务。该网络首先根据待分类像素的特征信息,自适应地迁移中心像素的邻域确定范围,以获取更多包含同质信息的样本图块。其次,我们引入稠密路径这一概念,在双支路网络的基础上通过稠密连接有效的增加网络中梯度信息的传递,并且在网络深层特征的提取过程中使用自注意力机制加强特征表示。2.针对于多光谱和全色图的融合分类任务,提出了一种空谱协同融合分类网络。它旨在将特征级融合和分类集合成一个端到端的网络模型框架中。考虑任务是一个大尺寸的遥感场景,我们使用上一章节提出的自适应样本选择策略。在网络结构上,基于采样策略捕获的图像块,对多光谱数据设计了一种全局通道注意模块,突出了多光谱数据谱段信息丰富的优势;而对全色数据设计了一种上下文空间注意模块,突出了全色数据高空间分辨率的优势。然后在两个支路之间增加信息传递路径,有效的减小支路特征的差异,使得这两个特征相互融合。最后,进一步从融合后的特征中提取更深层的特征进行分类。在高分辨率遥感数据集上的实验结果证明了该方法的有效性和鲁棒性。3.设计了一个用于遥感图像多分辨率融合分类的Transformer模型。Transformer模型能在保持了各样本图块的空间结构特性的基础上,通过加强特征通道的有效表示,更为简洁的提取出网络的特征。此外,Transformer模型打破传统以卷积、池化等前馈性网络结构,通过Transformer模型,对图块分解再编码的方式训练网络。实验证明,本算法在大场景下的遥感图像融合分类任务中表现优异。