遥感影像的场景解译与信息提取作为遥感影像解译的重要任务,是遥感影像处理领域的一项系统性工程,有着广阔的应用前景和重要的军事、民用价值。近些年,随着遥感技术的发展,高分辨遥感影像的数据规模与日俱增,这给遥感影像的场景解译提出了严峻的挑战。一方面,由于高分辨遥感影像数据包含的数据内容复杂,导致单场景所包含的目标信息大小、类别变化多样,这增加了场景解译的挑战性,如何从复杂的影像中提取场景级别表征是一个亟待解决的问题;另一方面,当下高分辨遥感影像已进入大数据时代,如何高效地管理这些数据并根据用户需求快速查找出符合要求的图像就成为了一个必须解决的问题。本论文针对上述问题,对遥感影像场景解译中的两大任务,场景分类和内容检索关键技术进行了深入研究,取得的主要成果有:1.提出了一种基于双通道多尺度特征学习的高分辨遥感影像场景分类方法。该方法通过构造的双通道网络,分别输入原始影像和对应的下采样影像,以全面地捕捉遥感影像局部和全局的特征信息,克服遥感影像中目标物体分辨率、大小变化带来的影响。对于局部特征,采用卷积整合所有信息并利用全连接网络从整合的信息中学习局部特征映射矩阵,从而提取局部特征中重要的可判别特征;对于全局特征,采用全连接层从全局特征中学习全局结构映射矩阵,将重要的局部特征进行编码整合,提升特征的表征能力,并完成分类任务。2.提出了一种基于尺度自适应卷积的高分辨遥感影像场景分类方法。该方法是根据空洞卷积在不同的空洞比例下具有不同的感受视野的特点所提出的,尺度自适应卷积可以嵌入任何网络中,有效地捕捉影像的多尺度特征。具体的,该方法首先利用同一个卷积核完成不同空洞比例的空洞卷积,在捕捉遥感图像多尺度特征的同时,克服遥感图像中目标物体分辨率变化复杂的问题;其次,提出尺度自适应融合策略,通过对不同尺度特征内在信息的分析整理,获得不同尺度特征的相关系数,通过相关系数整合多个尺度特征以充分地利用不同尺度特征之间的互补信息,提高特征的表征能力,从而完成分类任务。3.提出了一种基于生成对抗网络的有监督深度哈希学习算法。在该方法中,针对遥感影像的诸多特征,提出面向遥感影像的特征学习模块。在该模块中,首先利用特征聚合方法捕捉遥感影像的多尺度特征,其次采用对局部信息敏感的注意力机制,强化多尺度特征中对场景类别可判别性高的局部特征提高特征的表征能力。为了提高检索效率,提出对抗哈希学习模型,利用哈希学习将获得的高维遥感影像表征映射为紧致的哈希码,并设计了损失函数,使得哈希学习可以满足相似度保持和减小量化误差。另外,在对抗哈希学习模型中提出生成对抗式学习方法,在学习哈希码的过程中增加二值离散均匀分布约束,使得编码保持平衡以及进一步减少量化误差。4.提出了一种基于对抗自编码的半监督深度哈希学习算法。在该算法中,首先利用卷积神经网络学习遥感影像的高维稠密特征,并在该特征基础上构建自编码器,通过自编码器对该特征进行编码以及解码。其中自编码器的隐层变量被划分为类别变量和哈希编码,通过有标注样本和无标注样本共同优化自编码器,提高隐层变量的表征能力。其次为了使得类别变量和哈希编码能够尽可能地接近最理想的结果,提出类别分布判别器和均匀分布判别器,对类别变量和哈希编码增加合适的分布约束,从而进一步提高隐层变量的表征能力。最后对于自编码器训练过程中的有标注样本,采用交叉熵损失函数增强类别变量的可信度,并利用三元组损失函数保持其哈希编码的有效性;对于自编码器中的无标注样本,利用有标注和无标注样本的高维稠密特征计算邻接矩阵,从而获得对于无标注样本的辅助信息,同时基于有标注样本和无标注样本的类别变量可以获得另一种辅助信息,这两种辅助信息共同辅助无标注样本的哈希学习过程,增强哈希学习模型的泛化性能。5.提出了一种基于元学习的深度哈希学习算法。该方法利用元学习的方式求解哈希学习问题,借助元学习在小样本下可以获得较好泛化模型的特点,提高小样本哈希学习的性能。在该方法中,提出不同的距离度量策略,充分挖掘支撑集样本之间、支撑集和查询集样本之间的相似、相异的关系,并针对性地设计了哈希学习的损失函数,从而克服遥感影像类内多样性、类间相似性的干扰,提高哈希学习的性能。最后,为了对本章所提算法进一步改进,提出动态调整支撑集和查询集的样本类别和规模,通过引入不同难度的类内多样性和类间相似性,进一步提高哈希学习在小样本下的泛化能力。