近年来,以高分辨率遥感影像为基础,结合大数据和移动互联网等前沿技术,构建综合交通时空大数据管理平台及行业治理与分析决策系统,可实现对交通运输规划、建设、运行、发展及服务质量等多方面的综合管理提升。随着遥感大数据时代的到来,遥感数据的数量和质量得到了极大提升,因此基于数据驱动的深度学习算法得到了广泛应用,并取得了显著成就。与自然场景图像相比,遥感图像具有图幅广阔、目标要素繁杂以及图像模态类型多样等特点,需要更复杂的深度学习算法模型捕获图像特征完成相应的解译任务。作为高分辨率遥感影像智能解译的基础之一,场景分类任务的难点主要有两点:一是深度学习模型如何从海量的遥感数据中提取复杂的地物信息,获得更好的特征表示和泛化能力,从而提高模型解译的准确度。二是随着深度学习模型越来越复杂,要求较高的算力资源支持,在边缘端就需要解决模型复杂度和功耗间的矛盾。如何对卷积神经网络进行压缩和加速,降低部署在边缘计算设备的难度,是实际应用中必须解决的问题。针对上述难点,本文的主要研究内容和成果如下:（1）针对高分辨率遥感图像具有多尺度、特征丰富、包含大量复杂背景和小目标等一系列特点,从优化特征提取器的表示能力出发对传统卷积网络进行改进。利用深度学习网络架构,结合Gabor卷积层组成具有参数自学习能力的端到端网络,同时用高阶的全局协方差池化代替传统卷积网络中低阶的全局平均池化,进一步提高了网络的表示学习能力,以及在测试数据集中的泛化能力。在四个不同的遥感公开数据集进行测试,结果表明该网络在高分辨率遥感图像上的分类效果领先现有的其他分类网络。（2）随着人们对深度学习理论研究的不断深入,传统卷积神经网络模型层数和复杂度也在不断增加,虽然网络的识别性能不断提高,但与之同时模型的参数、计算量以及内存消耗也在飞速增加,导致很多模型在实际边缘计算设备中难以部署,限制了人工智能技术在实际遥感智能解译中的应用。针对上述问题本文设计了 一个端到端的轻量化卷积神经网络。该网络以深度残差网络作为主干,以特征复用思想,设计并实现了一种轻量化的卷积模块并将其嵌入到主干网络中,同时将空间金字塔通道注意力机制一并融入网络结构当中。通过在四个不同的遥感数据集上进行分类实验,证明该方法在不损失模型精度的情况下,可大大降低模型参数以及计算量。