深度学习技术(如卷积神经网络(CNN))可以在面向大量数据集及其标签时提供准确的分类结果。尽管如此,使用很少的标记数据时,CNN可能会出现各种问题,因为这可能会导致广泛过度拟合的问题。训练CNN,导致接近数以百万计的参数,并需要大量的注释图像样本。在这篇论文中,我们提出使用少量训练数据如何在大量附加注释的数据集中与CNN学习的标签能够有效地将其转移到其他分类任务。本研究计划将应用迁移学习对遥感深层卷积神经网络(CNN)图像的设计、实现和测试进行完整的研究。本文对最新的CNN架构的图像分类进行精细化的表现进行了评价,这些架构在ImageNet大规模视觉识别挑战(ILSVRC)上获得了最佳效果之一,与从零开始的训练相比,这些建筑的图像分类表现如何。尤其VGG和DenseNet。这些预先训练的模型是从互联网上下载的。VGG-16在图像分类方面继DenseNet之后表现出了最好的结果。本文研究了一种基于卷积神经网络(CNN)的模型。数据增强包括所有数据集的标准化和规范化,然后将它们用作训练集。利用迁移学习,采用16层(VGG-16)和Densenet模型的视觉几何架构构建神经网络的基本特征提取。在CNN模型实现中,使用UC Merced,RS19和Eurosat三个数据集图像来训练所提出的模型。本文所提出的分类模型获得了优良的分类精度。此外,本研究表明在数据集有限的情况下迁移学习在光学遥感图像分类中能产生更好的分类结果。