遥感场景分类作为空间分析的重要基石,从基于像素或对象的早期方法到基于深度学习的方法。遥感场景分类已经可以有效地获得高层语义信息辅助各大遥感应用,对土地利用监测、城市规划、精准农业等的发展有着重要的意义。但在遥感影像获取中,由于遥感快速的、大范围的从不同的高度、不同的角度和方向拍摄遥感影像所导致的类间相似性高,类内差异大的问题也为后续的分类任务带来了一系列挑战。为此,本文针对遥感数据集存在的类内差异大与类间相似高的问题,提出基于双向门控并利用主动旋转聚合多尺度特征的特征聚合补偿卷积神经网络（Feature Aggregation Compensation CNN,FAC-CNN）与基于双层空间金字塔池化的改进特征聚合补偿遥感场景分类模型（Feature Aggregation Compensation-Spatial Pyramid Pooling,FAC-SPP）。本文的主要研究内容及成果如下:（1）提出基于双向门控并利用主动旋转聚合多尺度特征的特征聚合补偿卷积神经网络FAC-CNN。FAC-CNN融合了从多尺度特征提取部分的分支网络中提取不同尺度的特征后,将其作为底层卷积特征组合的一部分提取空间信息丰富的浅层特征。并通过双向门控连接的方式促进其与密集连接提取到的高层次特征的互补性,最终融合底层、高层以及全局这三类特征进行分类。实验结果表明,FAC-CNN与注意循环卷积网络（Attention Recurrent Convolutional Network,ARCNet）和门控双向网络（Gated Bidirectional Network,GBNet）相比,在西北工业大学遥感数据集（NWPU-RESISC）上模型的平均识别准确率分别提高了2.05%和2.69%。而在航空影像数据集（AID）上FAC-CNN的平均识别准确率分别提高了3.24%和0.68%。验证了FAC-CNN可以有效利用浅层的空间信息辅助模型的分类。（2）提出基于双层空间金字塔池化来改进FAC-CNN的遥感场景分类模型FAC-SPP。通过控制感受野的方式有效利用不同尺度的特征,从而提取到包含丰富空间信息的特征向量,提高卷积特征的表达能力。实验结果表明,FAC-SPP在NWPU-RESISC和AID数据集上分别提高了0.8%和0.68%。基于分层空间金字塔池化的FAC-SPP模型可以有效提取旋转尺度不变特征使模型能更好的捕获场景中的空间信息,从而提高场景分类的精度。（3）设计遥感场景分类系统并部署到微服务环境中应用。首先,构建农田数据集并利用迁移学习在该数据集下训练模型完成农田识别场景。同时,将FACCNN与FAC-SPP两个算法应用于遥感场景分类系统中,最后完成系统的实现与性能分析。