随着遥感技术的发展,遥感影像的空间分辨率越来越高,传统的像素级遥感图像分类或面向对象的分类方法已无法满足当前分类需求。在高分辨率遥感影像中,地物特征更加细致,包含的语义信息更加丰富,地物之间的空间关系构成了不同语义的场景,场景分类是当前遥感影像解译的一大热点方向。如今遥感数据的应用远滞后于遥感数据获取能力,如何利用海量遥感影像数据进行快捷场景分类是提高遥感数据应用效率的关键问题。近年来,随着深度学习算法快速崛起,为智能化遥感数据解译提供了新思路,广泛应用于遥感图像场景分类、语义分割和目标检测等。但由于遥感影像本身的复杂性存在同类差异大和异类相似度高的特点,基于深度学习方法的遥感场景分类仍然存在一些问题和不足。本文以高分辨率遥感影像深度特征为研究对象,结合机器学习方法,对遥感影像场景分类进行研究,主要研究内容和结论如下:（1）提出了基于低维卷积神经网络（LDCNN）特征提取的多核支持向量机（SVM）遥感影像场景分类方法,解决了卷积神经网络特征维度高且不能表达复杂语义信息的问题,并利用两个公开遥感数据集验证了该方法的合理性和迁移学习性能。该方法较其他传统方法能够有效提高场景分类精度,在两个标准数据集上均取得了99%以上的分类精度,迁移学习测试分类精度分别为94.76%和92.25%。（2）提出了基于互补信息学习模型的城市场景分类方法,互补信息学习模型以来自航空和地面两个视角的图像配对输入网络模型,经过特定的联合损失函数来计算损失值进行学习不同视角的特征信息,并基于训练完成的网络提取不同视角遥感图像的深层特征进行融合后分类,以达到信息互补促进的目的,从而提高场景分类正确率。实验结果表明该方法在两个多视角遥感数据集上分别取得了93.56%和84.32%的分类精度,相较于单视角分类分别提高了约8%和4%。（3）开发了基于深度特征的遥感场景分类测试平台,该平台集网络训练、提取特征、分类方法、结果分析、测试和实例展示等功能于一体,简洁明了,操作便捷易行,功能齐全,辅助用户进行网络训练和测试分析,并支持数据的管理和可视化展示。