近年来,随着遥感技术的快速发展,遥感图像的规模正在逐步扩大,图像本身所能提供的场景语义信息也越来越丰富。然而该如何处理这些丰富的图像信息并有效利用于诸如自然灾害检测、环境检测以及城市规划等重大应用,这是遥感领域正面临的严峻挑战。遥感图像场景分类作为遥感领域的关键组成部分,一直是学术界的研究热点。场景分类的主要过程就是根据提取的图像特征从多幅图像中区分出具有相似场景特征的图像,并对这些图像赋予正确的类别标签。目前,相关学者相继提出了大量的遥感图像场景分类方法,主要以深度学习方法为主。尽管国内外学者对深度学习模型在遥感图像场景分类方面已经做了很多研究,但当前研究仍然存在以下不足:(1)遥感图像数据集类别较少,图像标注样本数据较少,限制了深度学习方法充分发挥其作用;(2)受到传感器类型、波长、拍摄角度以及光照等因素的影响,遥感图像的空间和光谱分辨率参差不齐,遥感图像表观具有明显差异,增加了场景分类难度;(3)遥感图像具有同类差异较大和部分类间相似度较高的特点,为现有方法提取鲁棒特征增加了难度。为了解决上述问题,本文在卷积神经网络的基础上,引入了孪生网络,对遥感图像场景分类进行了一系列的研究。本论文的主要研究内容有:1、本文提出了遥感图像场景分类的孪生卷积神经网络模型。整个模型输入一个来自相同场景类别或不同类别的图像对。该模型在对输入图像对进行场景分类的同时评估其相似度。此外,孪生卷积神经网络模型还引入了度量学习机制,对卷积神经网络提取的特征表达进行度量学习,尽可能使相同类别图像在特征空间中的距离缩小而不同类别图像间的距离变大,进一步提高孪生卷积神经网络模型对遥感图像的场景分类精度。2、本文提出了遥感图像场景分类的旋转不变性特征学习和联合决策方法。识别模型和验证模型是卷积神经网络的经典模型。识别模型在特征识别中输出图像的类别概率,而验证模型在特征比较中输出图像对之间的相似概率。现在将这两种概率引入贝叶斯法则中对遥感图像进行联合决策分类。在遥感图像场景分类问题中,现有的遥感数据集不足以训练出准确、鲁棒的分类器。为了解决这个问题,将对遥感数据集使用随机旋转的数据增强方式,以扩大样本数据,使得孪生卷积神经网络模型从中学习到更加鲁棒的特征表达,提高场景分类的正确率。3、本文提出了基于进化算法的多目标残差网络剪枝模型。卷积神经网络的过度参数化导致了计算成本过高和存储容量过大的问题。分析发现卷积神经网络中卷积层滤波器的参数通常比完全连接层更少,但它们却占据了网络大部分的计算量。由此可看出对滤波器进行剪枝可以在一定程度上降低网络的复杂度。本文将采用随机剪枝策略对孪生残差网络进行滤波器修剪,并将剪枝问题建模为多目标优化问题,优化目标是提升场景分类精度和降低网络的复杂度。为此,模型引入了多目标进化算法,使孪生残差网络在分类精度和网络复杂度之间实现最佳平衡。