土地资源的开发利用关系着国家产业结构、环境保护等方面,及时了解土地使用现状具有重要的意义。然而目前利用人工审核来判断土地使用现状的方案存在时效性低,工作量大,投入成本高等问题。随着深度学习技术的快速发展,将深度学习应用到图像场景识别已成为计算机视觉领域的重要研究内容。本论文面向土地举证照片数据,使用深度卷积神经网络对土地场景分类展开研究,提出两种适用于土地图像场景分类的方法。本文的主要工作如下:首先,针对土地卫片审核工作,本文提出了一种基于拉普拉斯图像金字塔的Dense Net土地场景分类模型。对于自然场景复杂的土地场景,本文构建了三层残差结构的拉普拉斯金字塔模块,在每一层结构上全局加入均值为0,方差为1的高斯噪声,然后进行卷积与融合操作,进而能够在获取高质量的输入特征的同时,提高模型的鲁棒性和分类效果。其次,本文采用近几年研究热点的注意力机制而提出了一种基于双域注意力机制的Dense Net土地场景分类模型。分别在通道域和空间域上设计不同的注意力模块,用于关注和捕获不同区域的特征信息。另外,本文在网络中加入了四通道的空洞卷积模块,通过多通道的并行计算,将经过不同空洞卷积扩张率的特征图进行相加融合,克服单通道的单一性不足,提取到不同尺度大小的特征信息,从而提高模型整体的分类效果。最后,在土地卫片举证照片数据集的实验中,基于拉普拉斯图像金字塔的Dense Net方法取得了93.66%的准确率,基于双域注意力机制的Dense Net方法的准确率为95.09%,模型效果较好,能够有效减少土地卫片审核工作量。为了进一步证明本文所提方法的有效性,在三个遥感图像公开数据集UCM、AID和NWPURESISC45上,将本文所提方法与近一两年的场景分类方法进行对比。最终的实验结果表明,本文提出的两种土地场景分类方法可以有效提高识别的准确度,优于其他模型。