随着航空航天技术和传感器技术的飞速发展,快速准确的获取海量的对地观测数据已经成为可能。作为最常用和最易获得的遥感类型数据,目前的光学遥感影像具有空间分辨率高、光谱信息全、像幅尺寸大和信息结构完整的特点,能够提供高精度、大范围、周期性的地表信息。影像分类和变化检测作为遥感信息处理与分析的两个基本而关键性的任务,在军事、科技、农业、环境、资源、交通及城市划归等多个研究领域具有重要的应用价值和战略意义。因此,如何迅速而高效的从光学遥感影像上提取有用的特征与信息以实现光学遥感影像的影像分类和变化检测,已经成为遥感领域的热门研究话题。近几年来,随着人工智能技术的飞速发展,依靠计算机强大的存储和运算能力对各类研究与应用进行自动的分析与处理已经成为各个研究领域内的一种主流趋势。监督学习背景下的深度学习方法所采用的多层感知器具有强大的特征学习与表达能力,能够实现在有效利用大量现有经验的情况下自动完成模型的鲁棒性学习。这种不同于常规工作机制的任务解决方法被称为深度学习,由此技术生成的模型被称为深度神经网络模型。在该技术引入遥感领域的这几年间,深度神经网络为光学遥感影像处理提供了新的思路和解决方案,该模型凭借其强大的信息表达和拟合能力,在多种遥感影像解译和分析应用中取得了极大的成功。然而,对于影像分类和变化检测这种复杂的遥感影像分析任务,深度学习也具有一定的局限性。随着神经网络层次的不断加深,其网络容量已经远远超过了图像所承载的信息量,这会导致大多数基于深度学习的训练模型具有较弱的泛化能力。与其说深度神经网络学到了解决问题的方法,不如说它只是机械的记录下了所有端到端的任务映射规则。在影像分类和变化检测任务中,大多数深度学习方法只在训练数据集上表现出优异的性能,如果有新的数据加入,该方法的精度就会大幅下降。针对以上分析,本文结合深度神经网络的优势与存在的问题,展开了深入的研究。主要研究内容与创新之处包括:1)系统的总结了当前用于光学遥感影像分类和变化检测的多种深度学习方法。本文针对影像分类和变化检测任务的特点和面临的难点,对当前常用的深度学习方法进行了讨论与研究。2)详细阐述了对抗学习在光学遥感影像分类和变化检测任务上的优越性。本文针对目前遥感影像智能化处理所面临的问题,从深度学习和对抗学习的基本理论出发,深入的分析了对抗学习的适用性与优越性。3)提出了自注意对抗神经网络模型以实现同域光学遥感影像分类。结合同域影像分类的基本流程和相关技术,本文构建了基于自注意力机制的对抗神经网络模型,通过多种约束条件的限制,实现了同域影像分类。该方法有效解决了传统深度学习方法过拟合的问题,使用较小的模型,获得了更高的光学遥感影像分类精度。4)提出了域适应协同训练神经网络模型以实现跨域光学遥感影像分类。由于传统的深度学习方法需要大量的已标注的成对数据用于模型训练,而标注复杂的光学遥感影像本身就十分耗时费力。针对这个问题,本文构建了基于域适应的协同训练神经网络,利用迁移学习技术,实现了跨域影像分类。该方法能够从已标注的成对数据中学习知识,并转化到未标注的数据上,以实现无监督的光学遥感影像分类。5)提出了条件对偶学习暹罗神经网络模型以实现影像变化检测。由于环境条件的不同,两期影像间的域差异一直以来都是影响变化检测精度的最大障碍。针对这个问题,本文构建了基于条件对偶学习的暹罗神经网络,利用并联神经网络训练技术,实现了影像变化检测。该方法能够有效的减少域差异对变化检测任务的负面影响,并快速的实现像素级的影像变化检测。