遥感卫星影像能够对地球表面提供高精度、大范围、周期性观测数据,已被广泛应用于全球气候变化研究、环境监测、国土资源调查、城市规划等领域。如何快速、高效、自动地进行遥感数据分析与解译,成为急需解决的问题。遥感影像分类是遥感数据处理的重要步骤,是根据感兴趣目标在遥感影像上的特征差异,判断并标识其类别属性和空间分布特征（如空间位置、面积大小）等信息的过程。传统的基于手工特征的分类方法,难以捕获遥感影像中包含的丰富语义信息,在实际应用中受到很大程度的限制,所能区分的场景类别相对有限,泛化能力较差,很难用于处理训练集以外的图像。基于中层特征对场景语义建模描述的方法虽然在一定程度上提高了分类准确率,但是效率较低,且仍然需要手工特征提取方面的先验知识,缺乏发现高层复杂结构特征的灵活性。近年来,深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。本文借鉴深度卷积神经网络在计算机视觉图像领域的相关理论和实践经验,将其应用到遥感影像场景分类中,利用深度卷积神经网络模型的学习数据本质特征表示的能力,以减少遥感影像分类工作对人工的依赖,达到满足遥感影像分类精度和处理速度要求的、端到端的、智能化、自动化处理效果。本文的主要创新性工作和结论如下:（1）结合数据增广和迁移学习策略对高分辨率遥感影像进行场景分类,针对存在的人工提取特征、鲁棒性差、计算量大等不足进行改进。为了减轻遥感领域有标签数据的有限可用性,我们通过数据增广策略来扩展遥感影像数据集,鉴于遥感影像具有的高度旋转多变性以及尺度多样性等特点,对遥感影像数据集通过镜像和旋转等操作达到数据增广的目的;并使用迁移学习策略来减少需要训练的参数,一定程度上减小了过拟合问题,同时也大大缩减了模型训练时间,得到更好的遥感影像场景识别效果。在UC Merced Land Use和NWPURESISC45₄500数据集上,验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能,明显优于传统方法。（2）结合特征融合和多核学习支持向量机对高分辨率遥感影像进行场景分类。鉴于遥感影像具有的高度旋转多变性和尺度多样性的独有特征,利用手工设计的Dense-SIFT特征提取算子进行稠密旋转尺度不变特征变换特征提取,并经过PCA降维和Fisher核编码等操作得到中层语义特征;鉴于深度特征对遥感影像的高表达性,使用微调后的深度卷积神经网络提取遥感影像高层语义特征作为全局特征描述子。然后融合中、高层特征并利用多核学习支持向量机代替传统的单核支持向量机进行场景分类,使用多核学习-支持向量机可有效避免单核支持向量机的需要根据经验来选择不同的核函数、指定不同的参数,以及当数据集的特征是异构时,效果并不理想的问题。在NWPU-RESISC45₄500数据集上验证了所提算法的性能,实验结果表明,无论是融合Fisher核编码中层特征和深度学习高层语义特征的分类结果,还是融合不同深度学习特征的分类结果,均优于使用单一网络的分类结果。每组实验的最好分类准确率均达到了91.33%,相比于使用微调DCNN的最好分类准确率提升了1.11%。同时,使用多核学习支持向量机的分类结果也优于传统单核支持向量机的分类结果。