深度卷积神经网络(CNN)在特征提取方面拥有强大的效果,因此被广泛应用于图像分类任务中。CNN中的池化层通过模糊掉目标结构部件间的相对位置关系来保证特征的不变性,所以使用CNN进行分类任务需要基于充足的训练样本。但是在遥感场景图像分类任务中,遥感场景图像数据集样本量较少,容易造成模型的过拟合。而且遥感图像存在着目标尺寸多样性、视角特殊性、小目标等特点。这都为CNN进行图像分类带来了难点与挑战。每个类别中的图像在位置和角度上差异较大,所以对于遥感场景数据集而言,如果能学习到特征的空间姿态变换性那就可以在不扩充数据集的情况下提升图像分类的精度。为此,我们提出了one-shot深度胶囊网络来解决这些问题。首先,针对遥感图像存在的目标多尺度、视角特殊性和小目标的问题,提出了使用ResNet50作为预训练模型,并且去除模型中深层的池化层,然后将提取出来的卷积特征转化成胶囊特征,并使用动态路由算法进行传递保证特征信息的完整性,从而学习到空间姿态变换矩阵的方法,通过实验验证了该方法的有效性。其次,针对深度卷积网络在小样本数据集上不能充分学习的问题,提出了将one-shot learning中的孪生网络架构作为嵌入式验证模型,并且添加一个度量学习项对one-shot深度胶囊网络的特征进行正则化的方法,通过不同的实验验证了该方法在三个基准遥感场景数据集上的有效性。实验结果表明,该方法的综合性能优于现有的其他方法。最后,实现了一个遥感图像分类模型原型系统,该原型系统主要是提供了深度残差胶囊网络模型、one-shot深度胶囊网络模型以及两种遥感图像分类评价指标和三个常用的遥感图像数据集。该论文有图24幅,表16个,参考文献60篇。