近年来,借助于卷积神经网络的快速发展,深度卷积神经网络得以应用于大多数领域并且取得惊人的成就。通过使用卷积神经网络对遥感图像进行深度特征的提取并且进行分类,使得遥感图像场景分类任务的分类性能得到极大的提高。深度网络特别是深层卷积神经网络模型(VGG16,ResNet,DenseNet等)在提升分类性能的同时,也带来了参数量,计算量庞大以及存储开销的问题。研究适用于遥感图像场景分类任务的卷积神经网络轻量化方法对于模型在资源受限环境下的部署有着重要意义。基于此,本文主要完成了以下工作:提出了轻量化网络MobileNetv2的改进框架。首先在MobileNetv2的基础上引入密集连接,借助特征图的复用提高网络性能。利用一个扩张系数为1,步长为1的瓶颈与一个扩张系数为1,步长为2的瓶颈的组合压缩特征图的通道数,同时对瓶颈输出通道数进行调整,利用该方法得到了一个更小的网络模型,在遥感影像场景分类数据集NWPU-RESISC45上验证了该方法的有效性。提出了一种对网络进行滤波器剪枝的复合剪枝算法。复合剪枝是滤波器剪枝,从剪枝粒度上是粗粒度剪枝。本文首先定义卷积层滤波器弹性,借助滤波器弹性衡量剪去该滤波器对于损失函数Loss的影响来判断该滤波器的重要程度,同时借助卷积层之后的BN层的缩放因子来衡量滤波器产生的特征图的重要程度,当两者均判定为不重要时删除该滤波器。为了测试复合剪枝的有效性,本文在基准数据集Cifar10上对多种常用网络模型进行了复合剪枝,并与其他不同剪枝方法进行了比较。在遥感图像场景分类任务方面,使用遥感影像场景分类数据集NWPU-RESISC45,对VGG16,ResNet50两种广泛使用的网络进行复合剪枝并对比了剪枝前后的分类性能。实验表明了复合剪枝可以基本保持分类性能的同时有效减少网络的参数量与计算量。同时,进行复合剪枝前后的对比实验也说明了复合剪枝的有效性与实用性。