遥感图像已经在精准环境治理、农业土地面积检测以及军事侦查等各个领域扮演着重要角色。受环境和技术因素的影响,遥感图像往往存在信息不足的现象。如何对数据集中含有大量空间信息不足的遥感图像进行更加准确的分类是一个值得研究的问题。课题针对遥感图像空间信息不足问题提出一种双模态遥感图像信息填充算法。课题引入每张单模态遥感图像对应的手机用户到访信息数据文本文件,先分析、统计出文本中的时间信息,再将时间信息进行聚类处理,把提取的时间信息分类保存到三个字典中,接着对单模态遥感图像进行边界扩充,最后将字典中的特征值填充到指定区域,得到双模态遥感图像。课题设计了双模态遥感图像信息批处理填充系统。填充系统首先提取了手机用户到访信息文本训练集和测试集中所有文本时间信息,并用统一的命名方式保存到字典集合中,其次对单模态遥感图像训练集和测试集完成边界零填充,接着将字典集合中的特征值对应填充到单模态遥感图像中,从均值、标准差以及平均梯度分析单模态和双模态遥感图像的差异,最后设计出批处理系统的交互界面,查看填充处理进度以及检验填充信息的正确性。课题提出了遥感图像空间信息不足判定准则。一方面,分析了单模态和双模态遥感图像信息,提出当双模态遥感图像的均值和方差均大于对应的单模态遥感图像时,该图像属于空间信息不足的遥感图像。另一方面,将判定准则应用于原始单模态遥感图像数据集中,分析出空间信息不足的遥感图像占比。课题选用ResNet、CNN、BP神经网络、随机森林和1D-CNN五种网络模型分别对单模态遥感图像数据集和双模态特征结合的遥感图像数据集进行分类处理。经五种分类算法的分类准确率比较,结果表明双模态遥感图像在CNN网络下分类准确率提升的最高,提升了4.6%。由此,证明添加手机用户到访信息文本数据后的双模态遥感图像更有效,提高了空间信息不足的遥感图像辨识度与差异性。