随着遥感对地观测技术日益精进,获取到的遥感影像数据质量更高、地物纹理信息更细致、成像光谱波段更多,在土地资源调查、自然环境监测、农业生产等诸多领域存在广阔的应用场景。但传统的遥感影像场景分类方法特征提取能力不足,难以捕获遥感影像中丰富语义信息、无法达到解译更高层次内容的目的。因此如何快速、有效、自动地进行遥感影像场景的分类识别,是当前遥感数据分析与解译领域的热门研究课题。近年来,卷积神经网络的成功应用使计算机视觉领域取得了显著成果,也给遥感场景的分类研究带来了新的机遇。本文以深度学习理论为基础,结合遥感场景的地物分布特性,以提高场景分类准确率为目的,研究如何将卷积神经网络应用于遥感影像场景分类。本文具体工作可以归纳如下:1、针对目前采用的传统场景分类方法没有考虑到遥感场景的地物分布特性,分类效果受到限制的问题,提出了一种基于卷积神经网络的遥感影像场景分类方法。通过加入高斯噪声、平移、加入椒盐噪声等操作实现对遥感数据集的数据增强,来减轻遥感领域带标签数据的有限可用性。通过对比实验研究各项参数对分类效果的影响,包括卷积核结构和训练阶段超参数的设置,建立了一个十七层的卷积神经网络模型来解决遥感影像场景分类问题。对训练阶段进行可视化分析,并通过实验验证该方法的有效性,可以更好地完成遥感影像场景分类任务。2、针对模型参数与数据量难以匹配与人工调参耗时耗力的问题,设计了一种基于自适应学习率及迁移学习的遥感影像场景分类方法。首先采用在大型数据集上进行预训练的网络模型作为特征提取器,并采用以损失函数为依据自适应调整学习率大小的方法更新权重。实验结果表明该方法可以提高分类效率和结果。3、在上述研究方法基础上,基于B/S技术和Django框架,设计并实现了遥感影像场景分类系统。将训练好的模型应用到实际的遥感影像数据集中,自动化完成整个场景分类流程,并进行了可视化展示。该论文有图32幅,表13个,参考文献92篇。