遥感图像是由遥感卫星或航拍飞行器拍摄的地表图像,由于其具有鸟瞰地球的视角,可以用于地图绘制、农作物面积统计、城市规划、气象监测等,得到的信息具有宏观性和客观性,具有巨大的社会效益和经济价值。但由于遥感图像中包含的信息量巨大,需要使用智能化的方法来帮助我们分析。因此,本文基于卷积神经网络的方法,提出应用于遥感图像的粗粒度图像分类和细粒度图像分割算法。主要研究内容包括:提出了一种适用于遥感图像粗粒度分类的多阶段网络模型。针对遥感图像中存在的易错分类别问题,构建了一个两阶段转换模型,实现了由粗到细的分类过程。第一阶段模型输出分类概率后,根据转换表中的映射关系,将图像送入对应的第二阶段模型做精细分类,通过概率融合层输出最终的分类概率。实验结果表明该模型提升了分类准确度,且相比于集成模型减少了计算量和参数尺寸。提出了一种适用于遥感图像分割的像素权重调整损失函数和结合生成对抗网络的训练框架。在分割网络中,一般使用基于像素的交叉熵作为损失函数,忽略了遥感图像场景中像素数量不平衡的现象。本文通过改进损失函数,增大了遥感图像中出现数量较少的像素类别的权重,实验结果表明该方法加快了网络的训练速度和模型的分割性能。之后,结合生成对抗网络,将分割模型作为生成器,一个二分类模型作为判别器,分辨生成器的分割结果。生成器和判别器通过对抗学习交替训练,提高各自的性能。实验表明,在生成对抗网络框架训练下的分割模型能够在性能上得到一定的提升。在公共数据集之外,本文还从Google Map上爬取了10000多幅遥感图像,建立了一个测试数据库。实验结果表明,上述分类和分割方法在该数据库上也能取得不错的应用效果。