得益于对地观测技术的不断发展,遥感数据呈现出海量化和多元化的趋势,且影像分辨率也不断提高。其中,高分辨率遥感影像表现出高度细节化的空间结构,能够充分表达地物和场景的关联,极大地推动场景级地物解译的发展。然而,如何建立地物底层表达和高层场景语义之间的映射关系是高分辨率遥感影像场景分类的关键问题。传统方法严重依赖手工特征的构造,且对于复杂场景的描述能力不够,进而限制分类精度的提升。作为深度学习的重要组成部分,卷积神经网络（Convolutional Neural Network,CNN）能够通过层级结构逐步提取复杂场景影像中的抽象语义信息,形成具有判别力的特征表达。但是,场景中地物目标的空间布局对于高层语义理解至关重要,基于CNN的方法难以有效捕捉上下文关系,导致判别能力存在瓶颈。因此,为有效获取判别性强的深度语义表达,论文开展联合Vision Transformer和卷积神经网络的高分辨率遥感场景分类研究,主要内容和创新点如下:（1）针对CNN模型所提特征鉴别力有限的问题,论文设计了一种基于Vision Transformer和CNN联合网络的场景分类方法。该算法包含Vi T流和CNN流:Vi T流中利用Vision Transformer揭示高分影像的长距离依赖关系,得到全局语义特征;而CNN流主要基于CNN模型挖掘场景图像的局部结构信息。并且,两个模块所提特征相互补充,能够有效提高特征的表达能力。此外,算法中设计了联合损失函数优化整个网络,可以有效增加类内聚集性,提高场景级特征的可分性。（2）为有效结合场景图像的局部结构特征和长距离依赖信息,尽可能地减少额外的计算复杂度,论文设计了一种基于Vision Transformer和知识蒸馏的场景分类方法。该算法将Vision Transformer作为教师模型,指导小规模学生网络Res Net18进行场景分类。借助于知识蒸馏的策略,Res Net18能够充分汲取两个模型的优势,进而同时探索高分场景的上下文依赖特征和局部细节特征,且计算复杂度较低。为使模型间的信息传递更加流畅,同时优化Vision Transformer和Res Net18,且教师模型的学习率逐步降低到零,蒸馏损失系数提高一倍。