遥感技术的日益发展,正在渗透着我们生活的各个领域和角落。其中利用遥感技术进行高效率的地物分析时,遥感图像的配准以及高光谱图像的分类问题一直是重点关注的研究课题。一方面,我们可以从各种先进的遥感平台上获取到越来越复杂的遥感图像,而这些遥感图像结构复杂,通常伴有信息扭曲、噪声影响、容纳大量的地物信息以及标记样本少的特性,传统的图像处理方法已经难以满足对遥感图像进行有效的分析;另一方面,深度学习发展迅速,在视觉邻域内已取得了巨大的成功,具有强大的特征表示能力相比于手工特征。因此,考虑到遥感图像的特性以及深度学习的成功,在本论文,分别设计了一种有效的遥感图像配准方法和一种高光谱遥感图像分类方法。具体内容如下:(1)鲁棒的特征点匹配在基于点特征的遥感图像配准中是一个关键过程。针对遥感图像的特性,本论文提出一种基于点特征的配准方法,在该方法的配准过程中专注的是外点的去除和内点的增加,该方法包括使用一种双支路网络判断假定匹配点对的局部特征(图像块)相似程度来去除外点,和引入局部范围约束策略来增加内点。在选取训练样本时引入一种自学习方法,以解决训练样本少和单一的问题。实验结果证明了该方法的有效性,可以获取更多的正确匹配对应。(2)针对高光谱图像高维的光谱数据以及未标记样本多的问题,本论文提出一种新颖的半监督高光谱图像分类框架。该框架包括两个过程,特征表示过程和自训练过程。在特征表示过程中使用卷积网络进行样本的局部特征(图像块)表示。在自训练过程中利用少量标记样本的语义信息约束进行过聚类,给未标记样本逐步分配高置信度的伪标签,并引入空间约束策略,利用图像内的空间一致性来校正分配错误的伪标签。其中,在自训练的过程中,高置信度的样本逐渐增多,并添加到相应的语义类,使得语义约束也逐渐增强。同时,高置信度标记的增加也有助于高光谱图像内的区域一致性,这突出了空间约束的作用并提高了高光谱图像分类的效率。通过实验验证,证明了该方法的有效性、鲁棒性和高精度。