遥感图像识别算法在军事和民用领域均有重要应用。当在情报侦察任务中获取新目标的图像信息时,需要在原有模型的基础上识别新目标。在不使用原有训练数据的情况下,依靠少量新目标数据对模型进行增量学习有重要研究意义。经典的基于深度学习的遥感图像识别算法无法适应少样本识别任务需求,也无法解决增量学习导致的灾难性遗忘问题。因此该论文着重研究少样本遥感图像识别算法和基于增量学习的少样本遥感图像识别算法。针对少样本学习任务中训练样本不足的问题,设计基于迁移学习的少样本图像识别算法（TFN）,通过对特征提取网络进行迁移学习,再对分类器进行少样本学习,弥补训练数据不足的问题。针对传统数据增强方法无法进行语义转换的缺陷,提出基于隐式语义数据增强的少样本图像识别算法（ISDA-TFN）,通过在特征空间中沿特定方向对特征向量进行采样实现语义数据增强,提高算法的泛化能力。在公开遥感图像数据集上实验验证了ISDA-TFN有更高的识别精度和更好的泛化能力。针对少样本条件下的增量学习问题,该论文在ISDA-TFN的基础上设计一种基于增量学习的少样本图像识别算法（ITFN）,通过合并分类器实现增量学习。针对因新旧类别数据分布差异过大导致模型识别精度较低的问题,提出基于余弦相似度的少样本增量学习算法（CTFN）,通过采用余弦相似度计算分类得分来消除分类权重向量模长的影响,提高了识别精度。针对直接学习新类别导致对旧类别的灾难性遗忘的问题,提出基于注意力吸引网络的少样本增量学习算法（Att-CTFN）,通过加入注意力吸引网络来减少新类别与旧类别分类权重之间的差距,减少了旧类别的精度损失。在公开遥感图像数据集上实验验证了Att-CTFN有更高的识别精度和更强的抗遗忘能力。