遥感图像分类一直是测绘遥感领域的重要研究方向之一,其分类结果为许多自然环境和社会经济应用提供了基本资源。在遥感图像监督分类中,训练样本的好坏直接关系到遥感图像分类的结果。然而,无论是在像素级遥感图像分类中,还是在场景级遥感图像分类中,选取的训练样本中均有可能存在异常训练样本,这将对后续的研究与应用造成一定的影响。如果采取合适的方法对存在的异常训练样本进行探测与剔除,就能提高遥感图像分类的精度,因此选择合适的异常探测方法具有重要的意义。在异常值探测中,不同探测方法的性能均不相同,对不同数据的探测结果也有差别,通常缺少系统地比较与分析。在像素级遥感图像异常训练样本探测中,大多数方法仅在训练数据被少量异常样本污染时才有效。在场景级遥感图像异常训练样本探测中,场景图像的特征较为复杂,如果将样本差异转化为点的距离或者重构,其异常探测效果并不理想,而能够有效探测的卷积神经网络方法又需要大量的训练样本作为支撑。针对上述研究中出现的问题,本论文将从以下三个方面开展研究:（1）介绍三种常用的异常值探测方法,分别是Z-score方法、boxplot方法和中位数绝对偏差（MAD）方法,并采用这三种方法对模拟数据集和真实数据集中的异常值进行探测。在第一组模拟实验中,异常值大小不变,数量改变。在第二组模拟实验中,异常值数量不变,大小改变。在真实实验中,选取两组真实观测数据集进行实验。结果表明MAD方法在模拟实验和真实实验中的异常值探测效果均优于Z-score方法和boxplot方法。（2）采用MAD方法对像素级遥感图像分类中的异常训练样本进行探测,其中异常训练样本分为不纯样本和错选样本两类,根据方差膨胀和均值漂移的原理,分别计算两类训练样本的标准差之和（针对不纯样本）和均值之和（针对错选样本）,再根据MAD方法得到判定系数,从而对异常训练样本进行探测和剔除。采用剔除异常前后的训练样本进行SVM分类,比较分类结果的总体精度和Kappa系数。结果表明MAD方法能够准确地探测和剔除不纯和错选训练样本,其分类精度均能得到有效的提高。（3）在遥感场景图像中,自训练算法可利用少量的有标签数据训练大量的无标签数据,进而达到扩充训练集的目的,此方法能够弥补卷积神经网络在训练样本较少时性能不足的问题。采用自训练算法和卷积神经网络相结合的方式对处理后含异常训练样本的SIRI和RSSCN两种场景数据集进行异常探测。结果表明三种自训练卷积神经网络（自训练Google Net、自训练Res Net和自训练Dense Net）在两种数据集中的准确率、精确率、召回率和F1-score均能够达到93.8%以上,说明自训练卷积神经网络在场景级遥感图像异常探测中的效果较好。