遥感是利用传感器记录目标的电磁波特性,通过数据处理和综合分析得出目标物体的特征以及变化规律的综合性探测技术。遥感图像场景分类不同于面向像元和面向对象的影像分类,它是从遥感图像的区域整体内容出发,对图像进行场景级别的分类,并且场景中的物体具有形状多变、空间分布错综复杂的显著特点。对高分辨率遥感图像进行场景分类的意义在于从遥感图像中识别高层次的语义内容。通过将一幅高分辨率遥感图像划分成不同场景比如居民区、停车场和公园等来反映遥感图像的高层次信息,遥感图像场景分类能够真正的发挥遥感影像的作用。目前遥感图像场景分类存在的主要难点是有些图像尽管场景类型不同,但是它们之间的差别可能很小,而在相同类别的图像中可能会存在很大的差别,这一问题使之成为一项具有技术挑战性的任务。在场景分类中,早期用的比较多的方法是利用人工进行图像特征的设计和选取来分类,然而此类方法比较依赖先验知识,并且算法效率低。近几年间,深度学习技术有了非常快速的进步,已经成为多项研究中的关键技术,而卷积神经网络能够自适应的学习遥感场景图像的特征并分类。因此,本文以卷积神经网络为基础,分三方面对基本网络进行特征改进,提高特征的表达能力,主要研究内容如下:（1）基于通道增强模块的改进算法。本文利用基本网络提取卷积特征,之后利用通道间的交互信息得到各个通道的权重系数,根据通道的重要程度进行不同程度的增强和减弱,达到局部特征增强的目的,改进后的网络在NWPU（20/80）、AID（20/80）数据集下的准确率分别达到93.11%和95.36%,实现了公开数据集上场景分类精度的提高。（2）基于全局自注意力模块的改进算法。本文在基本网络中引入全局自注意力模块,利用其中的多头自注意力层获取图像的长距离依赖关系,并且通过位置编码使模块对空间位置感知,对网络的全局信息进行增强,全局自注意力改进后的网络在NWPU（20/80）、AID（20/80）数据集的总体准确率分别达到了94%和97.10%,表明了算法是有效的。（3）基于通道加权特征融合的改进算法。本文提出了基于通道加权的特征融合方式,利用级联融合和通道加权,将两种增强方法有效地结合在一起。为了验证方法是否有效,在公开的数据集上进行了实验,并对比了融合前的结果,其中NWPU的准确率相比融合前分别提高了1.57%和1.07%,证明该方法能够有效提高特征的表达能力。（4）特征融合算法的泛化性测试。为了证明模型的泛化性能,本文将训练好的模型迁移到实际遥感影像中,利用滑动窗口生成测试图像,图像输入模型中得出结果,实验表明,模型的泛化性能良好。