遥感图像场景分类是根据遥感图像的语义信息对其进行分类,在很多领域都有广泛的应用。随着深度学习的发展,基于深度神经网络的场景分类方法取得了很好的效果。然而,一个优秀的遥感场景分类深度学习模型的训练需要大量的标注样本,而遥感样本的标注往往十分困难。此外,这些模型只能对训练集中出现的场景进行分类,对训练集中未出现的新类别的扩展性较差。为了解决上述问题,一些学者开始研究小样本遥感图像分类方法,其目的是在只给出少量已知场景类的标记样本条件下识别出新的场景类别。与自然图像相比,遥感场景的背景复杂、类内多样性大、类间相似性高且物体尺度变化大,使得遥感领域的小样本分类更具挑战性。大多数现有的工作仅使用小样本方法来解决小样本遥感场景分类问题,忽略了学习遥感图像特征表示的重要性,而且常常使用图像级特征表示,这很容易丢失判别信息。因此,构建能够充分挖掘遥感图像的特征表示的小样本遥感图像场景分类算法,是该课题研究中的重点。本文具体研究工作如下:（1）针对小样本遥感图像中背景复杂的特性,提出了一种基于注意力机制的深度近邻神经网络。考虑到小样本场景下图像级特征较为稀疏,网络采用深度局部描述子进行特征表示。此外,设计了类别相关注意力模块,得到场景类别相关的注意力特征图,从而在度量过程中增加有代表性的局部描述子权重。经实验验证,注意力图能够识别图像中与场景相关的局部区域,所提网络更加适用于小样本条件下的遥感图像场景分类。（2）针对小样本遥感图像中类内多样性大、类间相似性大的特性,提出了基于判别性增强的小样本遥感图像场景分类方法。为了获得更健壮的特征,网络通过嵌入模块得到局部-全局描述子,将局部特征与全局特征融合。引入中心损失来优化全局信息,并增加了类内紧致性。为了学习遥感图像中更有判别性的特征,在度量模块的损失函数中加入了余弦边距。实验表明该方法进一步提升了模型的分类精度。（3）针对小样本遥感图像中物体尺度变化大的特性,提出了一种基于双流结构的小样本遥感图像场景分类方法。为了网络不受物体尺度变化的影响,构建一个双流架构,分别从整个图像和最重要区域预测图像所属类别的概率,最后融合两个分支的结果。为了获得图像中最重要区域位置,设计了关键区域定位方法,并利用该方法连接上述两个流。实验表明该方法能够减轻物体尺度变化剧烈对模型分类性能的负面影响,从而获得更高的分类精度。