遥感图像场景分类一直是遥感领域重要的研究内容,广泛应用于多个领域,对遥感技术的发展具有重要意义。遥感图像场景分类是根据不同类别遥感图像特征信息的差异性,对遥感图像进行区分。与一般图像相比,遥感图像的纹理和颜色特征信息丰富度更高,同时也存在背景复杂、类型繁多等问题,因此遥感图像场景分类问题存在着一定的挑战。本文提出基于多层次特征结合的遥感图像场景分类方法,将遥感图像的底层特征、中层特征和高层特征结合共同表示遥感场景语义,训练分类器构建遥感图像场景分类模型,不同层次特征互相补充特征信息,以提高分类准确率。首先,提取遥感图像的底层GIST特征,将多颜色空间的GIST特征结合,增强遥感图像的颜色信息;其次,提取遥感图像的中层词袋特征,对遥感图像计算灰度图像、最大值图像、最小值图像和平均值图像,分别对四种图像提取词袋特征,将不同聚类数的最优图像词袋特征组合提高特征表达能力;然后提取遥感图像的高层特征,采用卷积神经网络训练遥感数据集并提取深度特征,将迁移学习策略引入网络训练任务中,节省训练时间,并提高模型性能;最后,将多个层次的图像特征数据归一化到相同范围,以减小不同层次特征数据间的差异,将组合后的特征输入到分类器分类。在UCM Land-Use和WHU-RS19两个遥感数据集上对本文方法进行实验验证,实验结果表明,本文所提的方法与现有其他方法相比分类准确率有所提高,具有较好的优势。