遥感图像场景分类是以遥感图像的内容为基础,用特定的高级语义标签自动对图像进行识别分类,被广泛应用于智慧城市建设、交通旅游规划、自然灾害监测和国防资源管理等领域。由于地球观测技术的进步,海量无标签遥感图像的数量正在急剧增长,如何对遥感图像进行准确有效的场景分类变得尤为重要。然而,遥感图像的标注需要丰富的工程技能和专业知识。因此,如何利用少量有标签遥感图像和大量无标签遥感图像进行场景分类成为研究热点。生成对抗网络是近年来最有前景的半监督学习方法,将其应用在遥感领域,可以解决大量无标签遥感图像无法有效利用的问题。综上,本文基于生成对抗网络的相关模型,致力于增强生成对抗训练时的稳定性、提高判别器对鲁棒性特征的提取能力以及模型的泛化适应能力,进而提升场景分类的性能。主要研究内容如下:1.针对生成对抗训练不稳定、有监督场景分类算法无法利用大量无标签数据以及传统生成对抗网络的特征提取能力不强的问题,以半监督理论为基础,提出一种谱残差门控注意力生成对抗网络。首先,引入谱归一化残差块代替判别器的二维卷积,以增强生成对抗训练的稳定性;其次,引入多分支特征融合模块,将低层特征、谱归一化残差块提取的高层特征以及外部网络Inception V3提取的特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加入结合门控的注意力模块,以增强模型的表征能力。在Euro SAT和UC Merced数据集上进行了验证,结果表明该方法能够有效提取判别力更强的特征,提高半监督分类性能。2.针对遥感图像无标签样本较少,以及传统的区域丢弃算法会导致局部特征信息丢失的问题,提出基于Cut Mix平衡化数据增强分类方法。详细介绍了Cutmix的基本理论和样本平衡化策略。通过特征热力图的可视化分析和UC Merced数据集的对比实验表明,Cut Mix能有效地改善数据增强的效果,提高模型的泛化能力。3.设计并实现基于B/S结构的遥感图像场景分类系统,进行了系统需求分析、总体架构设计、浏览器端设计、服务端设计、网络模型设计以及数据库设计等,通过测试表明,该系统具有一定的便捷性和可用性。