目前主流的神经网络在面对复杂多样的地物目标时难以精确区分，同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此，在分析遥感影像的地物特点后，提出一种基于权重动态变形的双重网络遥感影像分类方法，通过构架灵活、简易却有效的权重动态变形结构，构建经过改进的分类网络与目标识别网络，形成双网络对照的自我验证，从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明，所提方法在容易实施的基础上，表现出更强的地物认知能力和更强的噪声抵抗能力，即其能够适应各种遥感影像的分类任务，具有较为广阔的应用潜力。

海上溢油事故的发生不仅给人类造成了巨大的财产经济损失，而且严重破坏了海洋生态环境。极化合成孔径雷达（PolSAR）通过利用多种极化通道能够更综合地记录地物后向散射信息，从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测，提出一种基于Dual Encoder-Decoder Net（Dual-EndNet）的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征，并利用随机森林算法选出区分溢油重要性较好的前10个特征；然后以编码器-解码器为基本框架，设计两个分支，分别输入PauliRGB图像和优选的10个极化特征图像，用于提取溢油极化SAR图像的空间信息和极化信息，进而对两分支信息进行融合，以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明，所提方法不仅具有较强的溢油检测能力，而且能够有效地区分原油、植物油、乳化油不同类型的油膜。

针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception_65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。

深度学习在解决遥感影像场景分类问题中发挥了重要作用，但在某些特定的遥感场景分类问题中，存在可训练带标签样本严重不足的情况（单类样本数少于10），造成现有的传统深度模型分类效果不理想。针对上述问题，提出一种小样本遥感场景分类方法，并构建一种基于元学习（meta-learning）训练策略的模型ResNet14-Attention-ProtoNet（RA-ProtoNet）。首先，采用预训练的深度残差网络ResNet14作为特征嵌入模块，提取遥感影像深度特征；其次，针对同类样本特征不明显会对类级（class-level）表达造成的干扰问题，在类级表达模块，采用基于双向长短期记忆网络（Bi-LSTM）的注意力机制强化类内样本信息，生成样本的类级特征表达；最后，利用欧氏距离度量待分类样本与类级特征之间的距离，实现分类预测。在UCMERCED、AID-30和NWPU-RESISC45等3个遥感影像数据集上，将所提方法与基于迁移学习和现有元学习方法的遥感场景分类方法进行对比实验，在5-way 5-shot条件下，所提方法的整体场景分类精度分别达到81.30%、83.29%和81.22%。实验结果表明，所提方法可以有效挖掘类内样本信息，在极小样本条件下获得更高的遥感影像场景分类精度。

针对高空间分辨率遥感影像的分类问题，提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征，利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类，并与基于单源光谱信息的DBN 分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明：相对于单源光谱信息，利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度；相对于SVM、NN 等分类方法，DBN 能够更加准确地挖掘高分辨率遥感影像的空间分布规律，提高分类的准确度。

以内蒙古地区Spot/vegetation归一化植被指数(NDVI)影像为基本信息源,综合应用地理信息系统(GIS)技术进行了大尺度神经网络分类实验研究.建立多年份高分辨影像数据库,通过GIS软件集成与遥感影像目视解译方法,在全区范围选取了"纯净"样本数据,并辅助应用DTM数据和影像化多年气像观测数据,完成土地覆盖类型的BP人工神经网络分类.结果表明,GIS技术支持下,大面积区域尺度上spot/vegetation NDVI影像的BP神经网络分类可达到较高的分类精度.