近年来,遥感技术飞速发展,对遥感图像进行分类是分析、处理遥感图像信息的常用手段,现有的图像分类的方法核心是将图像中有价值的特征信息提取出来,然后再进一步根据需求分类。但是,遇到高分辨率、地物信息丰富、图像数量巨大的遥感图像,这些方法在特征提取、特征融合方面还存在着不足,难以达到理想的分类效果。随着深度学习算法取得了阶段性的进展,以全卷积网络为基础模型来驱动分类,可以做到在众多图像分类问题的解决方案中脱颖而出,已经被大量使用在语义分割、图像分类等计算机视觉领域中。但应用在遥感影像领域中,由于遥感图像自身的高分辨率、地物信息丰富等特点,网络模型存在的主要问题是预测精度不佳、有待提高,给遥感影像的实际应用带来一定的阻碍。故本文选取全卷积网络为基础模型,针对上述问题,进行网络优化以取得更好的分类效果。本文的研究如下:（1）梳理遥感影像分类的研究现状,并针对深度学习相关算法在遥感图像分类的技术发展进行总结,介绍了卷积神经网络、全卷积神经网络、注意力机制等基础结构。选取当前分类性能比较优越的全卷积网络的优化模型U-Net作为基础模型,分析其不足并在其基础上进行改进。并提出基于改进全卷积网络的遥感图像分类方法。（2）针对U-Net网络中难以捕获多尺度的特征信息提出了一种可利用多尺度提取特征值的方式对其网络进行优化,在生成每一个特征图的时候同时提取编码层与解码层多尺度的特征。同时在提取编码层过程中引入空洞卷积来替换传统卷积来更好的保留细节特征,结合解码层的多尺度跳跃连接计算后再送至下一网络层。最后在网络输出特征图之前引入双路注意力机制,来从图像的通道和空间两个维度来获取特征之间的全局依赖关系并进行融合,增强特征的表达能力。（3）将基于U-Net改进后的多尺度跳跃连接网络和原U-Net网络一起在“CCF卫星影像的AI分类与识别竞赛”的参赛数据集上进行训练并作对比实验。对实验结果进行量化指标对比并分析评价。针对整体分类精度、各分类准确率等指标进行对比,结果发现多尺度跳跃连接在整体、单一分类均相对于原U-Net网络有所提升,其中m Io U提升3.51%,达到了63.85%,整体准确率OA提升了1.62%,达到了78.06%,总体Kappa系数提高0.0447,达到了0.7139,由此证明了本文提出的改进后网络结构的优越性。