光学遥感图像处理在城市规划,自然灾害防止,地表状态及变化等民事领域一直是备受关注的研究课题,同时,在军事领域也有非常重要的价值。随着航空航天技术的发展和硬件系统的进步,理解和解译复杂和高分辨的光学遥感图像显得尤为重要。这些高质量的光学遥感图像拥有更丰富的信息,比如更多的纹理信息,更复杂的目标和更精细的形状。遥感图像不同于自然图像,其数据来源、目标结构和图像背景都与自然图像有较大差异。由于当前光学遥感图像数据内容丰富且数据量大,传统机器学习方法难以从中提取出有效的特征信息。此外,由于传统机器学习方法中提取特征时需要很大的计算损耗,难以满足大量数据的实际应用需求。近几年,深度学习方法在计算机视觉和自然语言处理等领域都有着广泛的应用。深度学习方法以卷积网络为基础,在当前海量数据和超强计算机的条件下,深度学习模型能够自动并且准确的提取出图像数据的特征。目前,深度学习方法已经在图像分类、目标检测和语义分割等众多图像处理领域取得了出色的效果。本文在当前理论的基础之上,结合光学遥感图像的特点,在卷积神经网络模型中引入多尺度方法,并且充分利用注意力机制对模型中的特征进行自适应融合和增强,进一步提升了深度学习方法在光学遥感图像分类任务中的效果。本文主要研究工作如下:（1）根据光学遥感图像中目标大小变化的特点,提出了一种基于空洞卷积的多尺度深度学习模型。传统的多尺度方法大多数都是以下采样和滤波等方法实现,难以直接和深度学习方法相结合。空洞卷积可以在不增加参数量的情况下增大卷积核的感受野,从而使模型能够灵活处理不同尺度的目标。该多尺度深度学习模型并行的引入多组有着不同感受野的空洞卷积对光学遥感图像进行浅层特征提取,然后将提取到的多尺度特征再送入深度分类模块得到分类结果。实验结果表明该方法在遥感图像场景分类任务中有很好的效果。（2）针对卷积神经网络中的特征融合方法问题,提出了一种基于通道注意力机制的自适应特征融合方法。目前使用较多的特征融合方法是直接相加或者沿通道拼接的方法,这种方法操作简单,但是往往没有充分利用特征中的信息。本文提出的自适应特征融合方法利用通道注意力机制对两个特征图的每一个通道生成不同的权重,然后将两个特征图进行带有权重的相加,最后得到融合后的特征图。实验结果表明该融合方法可以更灵活的对两个特征图进行融合,提升模型特征的可鉴别性和鲁棒性,进而提升遥感图像场景分类准确率。（3）为了更好地获取光学遥感图像中的全局特征信息,提出了通过高阶特征降维的方法获取全局特征,并将其应用到通道注意力机制和空间注意力机制中。当前注意力机制中的全局特征获取方式都是直接采用池化的方法,这种方法简单快速,但是并没有充分利用全局信息,而且没有考虑到特征之间的联系。高阶特征降维方法利用协方差矩阵计算不同特征之间的关系,然后根据协方差矩阵生成最终的全局特征。这种方法可以利用高阶特征,提升模型的非线性性能,进而增强模型的特征表达能力。