随着卫星及无人机等各种对地观测平台系统的快速发展,获取大量高分辨率遥感图像变得越来越容易。这些高分辨率图像已成为各种遥感图像解译任务的重要数据来源。遥感图像场景分类是根据遥感图像内容将其自动分成预先定义的语义类别的过程,该过程必须弥合遥感图像的低层特征与更具区别性的高层语义信息之间的“语义鸿沟”。为了改善“语义鸿沟”问题并提高场景分类精度,本文利用深度学习获得更有判别性的特征,进行有监督、半监督和无监督的遥感场景分类研究和遥感图像超分辨率研究。几个数据集上的大量实验表明,这些方法有效地提高了场景分类精度。本文的主要工作和创新如下:(1)针对地物类型多样、背景复杂、类内多样性和类间相似性的遥感场景图像,提出两种更有判别性的特征提取模型以提高场景分类精度。第一种是基于显著性双注意残差网络模型,该模型将空间注意嵌入到深度残差网络的低级特征提取跨空间的显著性位置,将通道注意嵌入到高级特征提取跨通道的显著性语义。第二种模型使用预训练的InceptionV3网络分支、有监督对比学习和门控自注意模块来提取更有判别性的特征表示以提高场景分类精度。(2)针对有标签的遥感图像数量不足的问题,提出一种基于生成对抗网的半监督模型以提高场景分类精度。该模型在判别网络中引入了预训练的外部InceptionV3网络、门控单元和自注意门控模块,以增强特征表示,从而提高半监督分类精度。预训练的InceptionV3网络旨在通过微调从遥感场景图像中提取高层语义信息;自注意门控模块旨在捕捉长距离的依赖关系,以自适应地关注场景中的重要区域;门控单元通过学习每个特征图的权重和捕捉特征间的依赖关系来突出重要特征。(3)针对部分遥感应用中仅存在无标签遥感场景图像的情形,提出一种基于自监督生成对抗网络的遥感场景分类模型。在该模型中,引入相似性损失增强自监督表示学习效果;引入门控自注意模块关注关键场景区域并过滤无用信息;在判别网络的残差块中引入金字塔卷积块,利用不同类型、大小和深度的滤波器来捕获图像中不同层次的细节,以增强判别网络的特征表示;在生成网络和判别网络中引入谱归一化稳定训练和增强特征表示;多级特征融合架构被集成到判别网络中,以实现更有判别性的特征表示。(4)针对中低分辨率遥感图像影响场景分类精度的问题,本文提出基于级联生成对抗网络的遥感图像超分辨模型,以实现任意倍数的高质量超分辨图像。该模型在生成网络中引入场景约束项,对生成的特征进行约束,以避免场景偏移的风险;在生成网络中引入内容保真项来稳定训练,避免梯度消失;设计了边缘增强模块,以保留边缘细节并抑制噪声;在判别网络中引入谱归一化,以稳定训练过程。