在大范围遥感图像中对场景进行识别分类，是军事侦察、城市规划、灾害监测等领域中热门的研究课题。随着航空航天技术的发展，各种传感器提供的图像资料等越来越多，单纯依靠人工目视判读已经不能适应生产生活的需要。近年来，在计算机视觉领域中模式识别与深度学习的发展，使得影像判读智能化成为可能。　　本文从现实项目需求角度出发，对遥感图像场景分类标注方法进行了研究，并结合应用背景实现了改进，使之能够适用于大空间范围和复杂地形环境，组成了一套自动场景类别标注系统。　　论文的主要工作如下:　　1、针对现有遥感影像场景分类的诸多算法在应用中存在的缺点，提出了一种基于两级卷积神经网络的遥感场景分类算法。该方法首先对自然目标图像进行特征学习，并将特征转移至遥感图像场景中，有效克服了遥感图像场景领域中数据量不足的问题，并结合了卷积神经网络(Convolutional Neural Networks，CNN)和受限波尔兹曼机(Restricted Boltzmann Machine，RBM)网络的优点，建立了一个两级神经网络。该方法对图像场景进行了二次特征提取，在真实数据集上具有良好的适用性和鲁棒性。　　2、针对现有单个网络分类性能不足的问题，对多种网络集成方法进行了研究与比较，引入了集成推论网络（Ensemble Inference Networks，EIN），在控制算法时间复杂度的基础上，有效提高了在实际应用场景中的分类性能，在UCML数据集上的检测准确率达到95.1％。