随着航空航天技术的极速发展,可获取的遥感图像不仅空间分辨率越来越高,数量也在急剧上升,给遥感图像的信息提取和解译工作带来了巨大挑战。其中,遥感图像场景分类在广泛的应用中发挥着重要的作用,受到了国内外研究学者的广泛关注。本课题与河北省气象科学研究所合作共同对遥感图像场景分类问题进行研究。传统的面向像素和面向对象的分类方法对于提取场景的高级语义特征比较乏力,不能有效完成遥感场景分类的任务,因此,如何有效地提取遥感场景高级语义特征并分类成为当前遥感图像解译工作的研究热点。近年来,众多学者在开发各种数据集以及提出各种遥感图像场景分类方法方面做出了重大努力。然而,现有的场景分类方法仍存在以下问题:(1)已标注样本少;(2)中分辨率遥感解译更多的关注光谱信息的提取,而较少关注空间信息;(3)提取的人工设计的底层特征对场景描述能力不足,限制了场景分类的精度;(4)中分辨率以及高分辨率遥感图像包含的地物目标变化较大,尺度大小不一,场景特征缺乏健壮性。针对遥感场景分类存在的问题,本文分别对中分、高分遥感图像的场景分类进行研究,主要工作包括:(1)制作针对OLI和TM传感器的中分辨率遥感数据集。(2)利用经典的基于底层、中层特征的分类方法和基于卷积神经网络的分类方法对OLI和TM数据集分别进行测试与评估。(3)提出基于多尺度特征融合的遥感场景分类方法。针对中分辨率遥感场景中地物尺度大小不一的问题,本文采用多尺度池化方式提取不同尺度特征信息,并通过连接多层池化后的特征,获取更为全面的特征表达。(4)提出基于迁移学习和自适应多尺度特征融合的遥感场景分类算法。针对公开的高分辨率遥感数据集规模较小容易造成过拟合以及传感器高度变化导致地物形变较为严重等问题,本文采用迁移学习的思想减小过拟合的风险,利用多层多尺度特征融合的方法降低地物形变对分类精度的影响。在两个公开的数据集上进行实验,实验结果证明了多尺度特征融合方法的有效性。