目前,因为高分辨率遥感图像的获取方式特殊,使其样本量相对较小。针对于小样本量的高分辨率遥感图像的分类任务,传统的机器学习能够有效的完成该分类任务。但是传统的机器学习采用人工提取到的特征具有一定的局限性且鲁棒性差,因而传统机器学习在高分辨率遥感图像分类中表现出的性能较差。深度学习中的卷积神经网络因为采用特有的卷积运算可以做到自动地提取图像中的特征信息,因而可以出色地完成分类任务。深度学习在各类图像研究上取得了诸多重要的进展。性能优秀的深度学习网络往往需要的训练集样本量非常大,小样本的训练很容易使深度学习模型发生过拟合现象。此外,对于分类任务而言,图像特征的提取尤为关键。单一深度学习模型提取到的特征往往不太充分,限制了模型分类性能的提升。因此,本文采用卷积神经网络作为基础,针对小样本的高分辨率遥感图像数据集设计出具有较好分类效果的深度学习模型。以下几点是本文的研究工作:（1）针对样本量较少而导致的深度卷积神经网络在训练中出现的过拟合现象,提出一种基于深度迁移学习的深度迁移卷积神经网络模型。将采用的基础深度学习网络模型预先在其它相似的大数据集上进行训练,将训练完成后得到的训练经验迁移到搭建的深度迁移卷积神经网络模型的卷积部分中并将其冻结,之后仅需要训练深度迁移卷积神经网络模型的全连接层即可。该方法可缓解样本量少导致的过拟合现象,从而提高网络的分类性能。最终,采用这种深度迁移卷积神经网络在小样本的高分辨率遥感图像数据集上获得94.7%的分类精度。（2）针对单一深度学习网络所存在的特征提取不充分且鲁棒性较差的问题,在深度迁移卷积神经网络的基础上进一步提出一种多特征网络融合的深度学习网络。同一张图片通过不同的深度学习模型,能够在不同模型的卷积层输出端提取到不同的特征。将这些特征经过融合之后能够得到更加具有判断能力的特征,之后将融合后的特征经过全连接层的分类可以得到非常好的分类性能。最终,采用该方法所搭建的RMBTLMFNF网络在小样本的高分辨率遥感图像数据集上获取96.8%的准确率。（3）针对某些传统的机器学习方法具有优秀的分类能力,提出一种分类优化方法。该方法将卷积神经网络结合传统的机器学习方法实现分类任务。由于传统的机器学习算法在小样本的训练中具有独特的优势,因此在卷积神经网络的全连接层之后接入传统机器学习算法对小样本的分类具有非常好的效果。通过实验证明,该方案对于小样本的高分辨率遥感图像的分类有一定的促进作用且SVM分类器为最佳分类器,能够取得97.8%的高分辨率。