随着各类卫星、航空遥感图像的分辨率、数据量不断增加,人们可以从遥感图像中获得更多有用的数据和信息。国土资源勘探、军事侦察、农林业、灾害救援等诸多领域对遥感图像处理要求越来越高,遥感图像处理中重要的环节——遥感图像分类也就显得尤为重要。本课题以小样本的多光谱Landsat8遥感图像的深度学习分类为背景,结合迁移学习思想,对分类方法及优化策略做研究,课题研究内容主要包含以下几个方面:首先,针对面向深度学习的数据预处理问题,以研究区原始多光谱图像为研究对象,第一步研究获取图像的正确光谱、空间信息方法,即通过目视解译确定地物类别及空间分布,随后研究对其辐射定标和大气校正的方法,以获得正确光谱信息。研究图像融合的方法以提升空间分辨率,给出评价图像融合的指标,并通过实验验证图像融合有效性。第二步是通过波段合成的方式对图像进行增强,使各类地物色彩鲜明、易于区分。给出评价波段合成的指标,研究适合目标遥感图像的最佳合成方法。第三步是制作面向深度学习的数据集,研究对小样本数据增强的方法以及评价数据集样本有效性的指标,验证实验数据集的有效性。其次,针对深度学习方法在小样本数据集上训练困难的问题,引入迁移学习方法,在大型数据集上迁移预训练好的VGG16网络至目标数据集,对其进行微调,并通过实验分析了微调前后的性能对比,验证微调对网络性能改善的有效性。其次,针对迁移过程中的跨域差异问题,引入归一化自适应结构以减少它,在此基础上设计一种新的迁移网络结构以及针对该结构的训练算法,并通过实验验证结构对减少跨域差异的有效性。针对单一迁移特征丰富度不够问题,引入空间金字塔结构以多层次提取特征,设计一种多特征融合的策略,该方法首先计算待融合特征在测试集上的分类精度,后通过这些精度值的比值确定特征融合的权值,随后设计以多特征融合为基础的分类算法。最后,进行对比实验。首先利用人工特征方法在目标集上分类,将分类评价指标与本文方法对比,验证本实验提取的深度特征相较人工特征更行之有效。在其他小样本数据集UCMerced上分类,以验证实验迁移网络的泛用性,并与其它迁移网络在UCMerced上分类效果做对比,验证实验网络对VGG16网络的迁移效果好于其它。通过在UCMerced上实验验证设计的特征融合策略对其他数据集也有分类精度提高、对迁移特征改善的效果,并与参照实验的特征融合策略对比,验证该策略的有效性。