随着多媒体技术的快速发展,图片数量迅猛增加,倚靠人工对海量图片进行标注和分类的管理模式已经远远无法满足现实需求。因此,利用计算机技术自动对图像进行分类成为目前的一个研究热点。相比于其它模式识别的任务,场景分类（Scene Classification）任务旨在理解整个场景图像的语义内容和组织方式,因此对场景图像的分类任务一般更复杂。近年来,深度学习（Deep Learning）突破传统人工设计特征算法的约束,为室内外场景分类带来了新的解决方案,提高了场景分类准确度,促进了场景分类技术的发展。但是,随着场景种类更多、数据量更大,“类内变化大”、“类间混淆性”、“场景多重性”等问题也变得更具挑战,使得现有算法的分类准确率也有所下降,因此难以应用到实际生活中。因此,本文有必要深入地探究深度学习在场景分类的研究进展及其遇到的问题,并进一步提出场景特征学习的方法以应对现实需求。总括之,本课题的研究工作主要有以下三个方面组成:（1）全面总结和分析深度学习在场景分类任务上的研究进展。为了帮助学者掌握该领域的研究进展,本课题对深度学习在场景分类中的最新成果进行全面的回顾总结和分析。本文先阐述了场景分类任务的三大挑战,再概括了场景分类在手工特征工程和深度学习的两个阶段。另外,还介绍了深度学习的基本思想及其核心技术卷积神经网络（Convolutional Neural Network）,并归纳出基于深度学习的五种场景特征,最后总结了深度学习应用到场景分类领域的四种主要提升策略及其研究进展。（2）提出一个基于可变卷积和注意力机制有机结合的场景分类模型（De CAM）,以捕获到空间不变性特征和关注到显著性区域。为了减小类内变化,De CAM模型首次将可变卷积应用到场景分类任务中以获取具有空间不变性的特征空间,并在该特征空间上通过调整Transformer模型的输入设置来提取判别特征。De CAM模型不仅使用无训练参数的池化层来初始化Transformer网络中的空间位置信息,而且主要使用卷积层（而不是全连接层）,这两方面都使得De CAM模型的参数量较少。另外,该模型可设置成端对端的训练方式,并与同类型的算法相比能够在基准数据库上获得最好的效果。（3）提出一种学习多模态一致性特征的RGB-D场景分类方法（CFLM）。CFLM模型首次使用编码解码器来同时提取RGB模态和Depth模态之间的一致性特征,并使用无标签信息的场景图像来预训练编码解码器。相比于以往学习一致性特征的方法,CFLM模型中的编码解码器能够直接从像素层面开始学一致性特征,不会忽略两模态的共性,以减小类内变化。此外,CFLM模型中不仅使用交叉熵损失函数来刻画经验风险损失,还添加一个监督正则项来剔除掉一致性特征中的冗余信息,以及添加三元组损失项来促使特定特征的类间距离增大,从而提高模型的泛化能力。