近年来,深度卷积神经网络已广泛应用于图像处理领域并且取得惊人的成就,采用深度学习方法对遥感图像进行特征提取与分类已经成为目前研究方法的主要趋势。但通过人工设计的神经网络已经不能满足于实际需求,借助神经网络结构搜索技术搜索遥感图像分类的神经网络结构逐渐成为新的研究方向。本文针对面向遥感图像分类的神经网络结构搜索算法进行了研究,主要研究内容如下。第一,基于EfficientNet网络模型在ImageNet等大规模数据集上进行分类训练取得了目前最优的成绩,它通过基于强化学习的神经网络结构搜索算法获得,然而该结构在遥感图像上的迁移性是一个未探索的问题。本文研究了 EfficientNet网络结构的迁移学习方法,将EfficientNet B0-B6模型迁移到遥感图像分类任务上,并将分类结果与其他人工设计的神经网络模型进行比较,用五种遥感场景数据集验证了该方法的效性。实验结果表明遥感图像分类问题上,EfficientNet网络模型具有较优的迁移性。第二,研究了面向遥感图像分类的可微分神经网络结构搜索方法。利用梯度优化策略,在设定的搜索空间中自动搜索出针对遥感数据集的神经网络结构,并将搜索出的网络结构对遥感图像数据集进行分类,在保持一定的分类精度情况下,缩短了训练时间并减少了参数数量,实验结果证明神经网络结构搜索方法对样本数据集少的遥感图像分类有适用性。第三,实现一个遥感图像分类系统。针对遥感图像分类系统的特点进行了整体架构分析,对各个模块进行了详细设计,并采用python语言实现。结合PyQT5开发用户界面,系统功能包括加载EfficientNet预训练模型调优、Darts神经网络结构搜索、选择遥感图像数据集等。通过神经网络结构搜索技术,本文的研究内容对实现遥感图像分类具有一定的借鉴意义和实际价值。