随着遥感探测技术的发展,遥感数据获取逐渐朝着高光谱及高空间分辨率方向发展,在诸多遥感应用研究热点中,高光谱数据地物分类以及高空间分辨率遥感图像场景分类受到了人们的广泛关注。高光谱分辨率以及高空间分辨率带来丰富的光谱信息以及空间结构信息的同时,其数据的高维性以及空间结构的复杂性也对遥感数据特征提取方法提出了更高的要求。本论文从两类遥感数据复杂的特征分布出发,基于深度胶囊网络构建高光谱以及高空间分辨率遥感图像分类模型。模型利用胶囊网络强大的向量化特征表示能力以及基于动态路由机制的特征整合能力,更好的完成两类遥感数据的特征提取与整合,以实现更优的分类性能。论文的主要研究内容包括以下几方面:首先,深入研究了深度学习尤其是深度卷积神经网络的理论及典型模型,并在此基础上分析卷积神经网络的不足之处,引出深度胶囊网络的理论,并详细分析模型特点以及动态路由算法。在全连接胶囊网络层基础上,引入局部连接、权值共享的思想到胶囊网络层中,结合局部连接版动态路由算法得到卷积胶囊网络层,为后续构建基于胶囊网络的遥感数据分类模型奠定基础。其次,基于卷积胶囊网络完成高光谱数据光谱以及空-谱分类。利用卷积胶囊网络层分别构建一维光谱胶囊网络分类器和三维空-谱胶囊网络分类器。通过对模型参数进行详细的分析,验证了深度胶囊网络对于高光谱数据分类的有效性,同时与经典的高光谱数据分类方法进行对比,在多组数据上均取得了更优的分类性能。最后,基于深度胶囊网络进行高空间分辨率遥感图像场景分类。通过迁移ImageNet数据集预训练的卷积神经网络模型参数,实现图像原始像素灰度信息到胶囊网络向量表征过渡的同时降低模型对训练数据量的需求,通过多层次特征迁移,结合卷积胶囊网络层进行特征进一步提取、整合与分类,本文在多组数据集上对比经典分类方法,取得了更精确地分类结果。