随着高分辨光学遥感影像的发展,海量优质的遥感数据为地物观测提供了良好的条件。遥感影像多标签分类能够自动解译图像信息,快速批量生成图像的标注信息,是遥感影像处理中一个重要的研究内容。遥感影像具有背景复杂、场景宏大、尺度差异等特点,使得遥感影像多标签分类任务变得更加困难。现有的遥感影像多标签分类方法无法充分地挖掘标签之间的依赖关系以及图像和标签之间的跨模态交互信息。针对上述问题,本文主要研究了深度学习相关的遥感影像多标签分类任务,提出了基于标签嵌入的遥感影像多标签分类方法,提高了图像和标签跨模态交互的能力;设计了基于语义标签解耦图卷积神经网络的遥感影像多标签分类方法,提高了标签和图像之间的解耦合能力,同时进一步提高了多标签分类的性能;设计了基于自适应标签关联学习图卷积神经网络的遥感影像多标签分类方法,有效避免因为数据分布不一致导致的偏差问题。本文的主要工作总结如下:1.提出了一种基于标签嵌入的遥感影像多标签分类方法。该方法首先利用统计标签共现矩阵指导标签文本嵌入,引入了稀疏抑制机制防止嵌入向量过拟合,同时引入了一种标签距离度量机制对标签嵌入进行约束,最后在嵌入空间中对图像和标签进行相似度度量学习。该方法能够抑制噪声或背景信息,捕捉更多具有判别性的信息。此外,还可以捕获标签的空间上下文依赖关系,提高了跨模态标签嵌入的可解释性。2.设计了一种基于标签语义解耦图卷积神经网络的遥感影像多标签分类方法。该方法通过标签语义解耦模块对标签和图像区域进行解耦合,得到标签相关的特征响应向量,最后通过图卷积神经网络学习响应向量之间的依赖关系。该方法对标签和图像区域进行了联合建模,利用标签的语义特征来指导学习与标签相关的图像特征,提高了算法性能的同时,也明确了图像特征区域与标签之间的依赖关系。3.设计了一种基于自适应标签关联学习图卷积神经网络的遥感影像多标签分类方法,利用端到端的方法对标签依赖关系进行建模。该方法首先通过标签嵌入交互模块挖掘样本之间的局部依赖关系,同时引入标签共现矩阵度量损失充分利用数据集全局的先验知识,最后通过图卷积神经网络对标签嵌入向量进行关联学习。该方法减少了由于训练数据和测试数据分布不一致带来的偏差,提高了算法的总体性能,而且可以在缺失标签共现先验的情况下对标签进行关联性建模,应用范围更加广泛。