近年来,卷积神经网络在图像特征学习领域取得了令人瞩目的成功,能够有效地解决图像分类、图像分割、目标识别等问题。为了追求更高的性能,研究人员设计出许多结构精巧、参数量大的模型应用于各种计算机视觉任务当中。然而,设计一个良好的神经网络结构并非易事,不仅需要设计者掌握深度学习的相关专业知识,而且要求设计者能够针对不同任务的特点设计适合的神经网络结构。因此,提出了神经网络结构搜索来解决神经网络结构的设计难题。神经网络结构搜索是一种用机器自动化设计网络结构的新方法,能够针对不同的任务目标端到端地调整网络结构,减少繁重的人工设计成本。在众多搜索算法中,oneshot搜索算法通过改进评估流程大大提升了搜索效率,吸引了众多研究者的关注。然而目前的算法在搜索空间、训练方法和搜索策略上仍然存在一些问题。大多数搜索空间采用相同模块重复堆叠的模式,单一的层操作不利于网络的分层优化。One-shot搜索算法用参数共享的超网络覆盖整个搜索空间,超网络节点的参数互相耦合会导致最终评估不准确。此外,目前大部分one-shot搜索算法都是面向自然图像数据集设计高精度的卷积模型,而不考虑模型的复杂度。这主要是因为搜索空间受到超网络规模的限制,导致宽度搜索十分困难,同时搜索策略只能解决单目标问题。本文针对这些问题进行了研究并提出改进算法,并且将算法应用到遥感图像分类领域,主要内容可概括如下:（1）针对搜索空间层操作单一的问题,设计了一种支持层多样性的搜索空间,由算法自动搜索每一层卷积模块的内部结构参数使各层操作类型不同,实现图像特征信息的分层提取。并且有针对性地将模型深度以及轻量化操作设置为搜索目标,提升卷积模型在存储和计算瓶颈下的特征学习能力。针对one-shot搜索算法评估不准确的问题,提出基于知识蒸馏的分阶段监督超网络训练方法。首先根据分辨率将超网络训练进行阶段划分,减小单次训练的搜索空间大小,保证每个子网络经过平等和充分的训练。然后通过知识蒸馏方法,从现有的神经网络中蒸馏出阶段性的神经结构知识,监督超网络中间阶段的训练。所提出的算法在评估性能相关性、搜索模型最终精度和搜索效率上相比于其他神经网络结构搜索工作具有显著提升。（2）针对one-shot算法难以搜索网络结构宽度的问题,提出基于显著性的宽度搜索方法。构建超网络时将不同的宽度选项聚合在一个操作实例中,令具有不同宽度的操作共享参数。前向传播时将范数的大小作为衡量通道显著性的指标,保留排名靠前的通道作为较窄网络的数据通路,避免窄网络在参数共享的过程中性能损失过多。本文还将神经网络结构搜索算法扩展应用到遥感图像场景分类领域,用进化算法作为搜索策略实现网络结构的编码、交叉变异和搜索。考虑到资源受限计算场景的模型部署问题,将结构搜索建模为多目标问题,建立网络结构与分类性能和复杂度之间的映射关系,最终找到一系列在各级复杂度约束下性能最优的模型。