目前现有的深层超限学习机(Extreme Learning Machine,ELM)算法具有以下缺点:当算法的网络层数较浅时,随机的特征映射使样本特征无法被充分学习和利用;当算法的网络层数较深时,样本特征的有效性经过不断抽象和泛化后会降低。论文在现有深层ELM算法的基础上,提出了两种密集连接的深层ELM算法:Dense-HELM算法和Dense-KELM算法,并将论文提出的Dense-KELM算法用于遥感图像场景分类。Dense-HELM算法的基本结构是基于ELM的自动编码器(ELM-AE),Dense-KELM算法的基本结构是基于K-ELM的自动编码器(KELM-AE),而且Dense-KELM算法是在Dense-HELM算法的基础上改进得到的。实验结果表明,密集连接的网络结构让算法在网络层数很浅时,就能充分提取样本的特征信息,显著提高算法的识别精度。算法在训练时因为样本特征利用率的提高,隐藏层神经元的个数可以适量减少,使得算法的训练速度进一步加快。论文的主要工作分为以下几个部分:第一部分简述了论文的研究背景和意义,国内外研究和发展现状,以及论文研究的主要内容和章节结构。第二部分介绍了课题研究相关的理论知识。第三部分详细介绍了论文提出的Dense-HELM算法的数学理论、模型结构和训练过程,设计算法的对比实验,并对实验结果进行分析。第四部分详细介绍了论文提出的基于K-ELM的Dense-KELM算法的数学理论、模型结构和训练过程,以及Dense-KELM算法与其他深度学习算法性能对比的结果。第五部分介绍了基于Dense-KELM算法的遥感图像场景分类的实际应用,通过与其他深度学习算法进行结果对比,验证论文提出算法的实用性和有效性。第六部分总结了论文的全部工作,并对未来后续的研究方向进行展望。