遥感观测技术的高速发展提高了观测系统的信息获取能力,使得遥感图像以高分辨率的特点呈现。高分辨率遥感图像中含有更多的空间、纹理和语义等特征信息,能够表达更加细致的地物特征和各地物间的关联特征。遥感图像场景分类任务致力于提取并理解遥感图像中的多种特征信息,在城市资源管理、农业监测、自然灾害检测和地理数据获取等领域发挥着重要的作用。基于深度学习的卷积神经网络方法是图像处理领域的主流方法,本文主要研究使用轻量级的卷积神经网络来完成遥感图像场景分类任务。本文针对遥感图像中各地物的分布特点和传统卷积方法提取特征的不足,提出了基于轻量级扩张卷积神经网络的遥感图像场景分类方法。该方法先应用扩张卷积神经网络来提取遥感图像中各地物的全局特征和关联特征,然后应用低权重和的结构化剪枝算法去除网络中的冗余。实验对比该方法与传统卷积神经网络方法的网络性能和资源消耗。实验结果显示,扩张卷积和网络剪枝算法的应用改善了卷积神经网络的分类性能,降低了网络模型的空间和时间复杂度。为了提高轻量级卷积神经网络在遥感图像场景分类任务中的分类性能,本文以扩张卷积神经网络为基础网络模型,使用残差模块对网络模型结构进行调整,提出了基于特征融合卷积神经网络的遥感图像场景分类方法。该方法主要应用残差模块来融合卷积神经网络中不同网络层的特征和不同尺度的全局特征。实验结果表明,基于特征融合卷积神经网络方法提取了更加全面的特征,有效改善了卷积神经网络的分类性能。为保证卷积神经网络的分类性能和满足更加轻量级的卷积神经网络结构要求,本文以深度可分离卷积方法为核心,提出了基于深度可分离卷积神经网络的遥感图像场景分类方法。利用深度可分离卷积能够进一步减少网络模型参数和计算量的特点来构建深度可分离卷积神经网络模型。同时,使用基于目标的知识蒸馏方法来弥补该网络模型的分类性能损失。实验结果显示,基于深度可分离卷积神经网络的遥感图像场景分类方法保证了分类性能,且获得了比典型轻量级卷积神经网络Squeeze Net和Mobile Net更小的模型体积和更低的模型复杂度。