21世纪日益突出的全球变暖与快速城市化问题,使得城市热岛效应加剧,严重威胁生态环境与人类身心健康。缓解城市热岛效应,对发展可持续的城市建设具有重大意义。近年来,局部气候区在城市热岛效应研究中贡献显著。依据从地表要素提取对温度敏感的指标,其将全球城市区域简化为17种类别,为城市热岛效应研究提供了精细化的城市局地热环境量化方式,已成为全球城市研究的基准框架,开展局部气候区分类对城市气候等相关研究极具理论与应用意义。遥感影像凭借覆盖范围广、获取周期短、经济便捷等特点已广泛应用于局部气候区分类研究,基于充足标记样本其分类表现优异,然而,局部气候区样本仅能依赖专家知识并结合实地验证手工标注,耗时耗力的样本获取导致局部气候区分类存在小样本问题,即有限标记样本以及不足训练信息严重威胁基于遥感的局部气候区分类表现的问题。受全球局部气候区制图的应用背景的驱动,局部气候区气候区分类已从单区域发展至跨区域研究场景,而其中小样本问题尤其突出,主要包括:（1）单区域局部气候区分类小样本问题。在可实地验证标注的地区,不同局部气候区类别的目视区分性差,难以客观标记高质量样本,使得传统单区域局部气候区分类方法表现不佳,存在单区域小样本问题;（2）跨区域局部气候区分类小样本问题。在无法实地验证标注的地区,以全球范围作为整体研究背景,将可标注地区的样本作为源域训练数据,将未知无标记地区作为目标域数据预测类别,而有限标记样本严重限制跨区域局部气候区分类泛化性能,存在跨区域小样本问题。针对单区域与跨区域局部气候区分类的小样本问题,本文分别从挖掘数据层面与特征层面信息出发,开展自学习条件随机场局部气候区分类研究与领域自适应深度迁移学习局部气候区分类研究。主要研究内容与创新点如下:（1）概述了局部气候区分类的基本理论与方法。本文从局部气候区地物组成的复杂性出发,梳理当前局部气候区分类的研究背景与国内外现状,分析单区域与跨区域局部气候区分类的小样本问题,并介绍了经典的基于WUDAPT的局部气候区分类流程。（2）研究了自学习条件随机场局部气候区分类方法。针对单区域局部气候区分类场景的小样本问题,本文开展了自学习条件随机场局部气候区分类研究,基于自学习机制提出结合空间信息的局部气候区高置信样本选取策略,增加伪标记局部气候区样本以扩充原始样本库,解决训练样本数量有限的小样本问题;同时考虑到传统方法仅依赖单个像元信息预测类别,易产生大量噪声,利用条件随机场模型灵活的建模能力,补充隐式空间上下文信息,解决可用信息不足的小样本问题,达到提升单区域局部气候区分类精度的目的。（3）研究了领域自适应深度迁移学习局部气候区分类方法。针对跨区域局部气候区分类场景的小样本问题,本文开展了领域自适应深度迁移学习局部气候区分类研究,利用深度卷积神经网络进行自动化特征提取,将源域数据与目标域数据映射至特征空间;在基于源域标记样本训练网络的同时,结合目标域未标记样本信息提出域自适应损失函数,实现源域数据与目标域数据在特征空间的对齐,缩小源域与目标域的特征分布差异,提升分类模型在目标域的泛化性能,解决已有方法在源域样本数量及可提供信息有限且目标域无标记样本情况下跨区域分类泛化性能受限的困境。本文面向基于遥感的局部气候区分类,开展单区域与跨区域小样本问题的研究,所提自学习条件随机场局部气候区分类以及领域自适应深度迁移学习局部气候区分类方法,可有效提升单区域与跨区域局部气候区分类表现,推动全球城市局部气候区数据库构建,对城市热岛、城市规划等领域具有重要的科学意义与社会价值。