遥感技术为人们探索世界提供了便利的技术,这一门技术可以针对不同的目标和任务选用不同的探测波段,从太空中快速地对目标区域进行大范围的监测,获取实时信息从而扩展人类的视觉范围。因此它被广泛应用到很多领域例如医学、农学、地质和军事等领域。然而在遥感图像分类领域仍存在一些问题:如可用于分类器训练的有标记数据数量少且样本类别不均衡,这对分类器性能提出了很高的要求;另外,由于遥感图像的特殊成像机制使得它拥有不同于自然图像的特征,因此在设计分类器时如果完全套用深度神经网络而不结合数据特性,则可能导致遥感图像信息的浪费和滥用。本文基于此难题,对遥感图像分类问题进行了深入研究,取得的主要成果有:1.提出了一种基于多尺度全卷积神经网络的极化SAR图像分类方法。该方法结合多尺度波和深度语义分割网络,提出了一种新的分类网络非下采样轮廓波全卷积神经网络。另外,针对小场景的极化SAR图像数据量少的问题,我们也相应地设计了轻量级的非下采样轮廓波全卷积神经网络。在三组公开数据集上,与多种方法进行对比得到的实验结果证明本章提出的模型可以提取极化SAR图像多尺度的深度特征,从而提升分类精度;同时,这些模型无需像传统CNN方法对像素点进行割块训练和测试,大大节省了时间和硬件消耗,提升了效率。2.提出了一种基于双通道网络的高光谱图像空-谱特征融合分类方法。本方法基于一章工作,利用非下采样轮廓波设计非下采样轮廓波卷积神经网络,再结合循环神经网络一起构成多尺度双通道网络。该双通道网络用于提取高光谱图像的多尺度深度空间特征和光谱特征。进而按照一对多策略设计多个二分类的多核学习分类器,对提取的空间和光谱特征进行融合,并集成多个分类器的结果得到最终的分类结果。在三组数据集上的验证结果表明本章方法可以融合空-谱特征、提高高光谱图像的分类结果、得到更匀质的分类结果图。3.提出了一种基于MDCPE协同训练算法的高光谱图像分类方法。该方法中,新的MDCPE协同训练算法被提出用于上一章双通道网络的训练。该算法可以从有类标数据和无类标数据中提取空间和谱间特征,弥补了有类标数据不足的缺点。同时,新提出的算法改进了传统的算法,利用k均值聚类使得更新样本更加均衡,有效的改善了因类别不均衡而导致的分类精度不均衡问题。在三组数据集上进行实验,与多种方法进行对比得出结论:本章方法在少量且类别不均衡的有类标数据集上也可以获得较好的分类精度。