近年来,深度学习被广泛应用于表征图像的复杂模式中,它有潜力解决遥感领域中一些经典且具有挑战性的问题。典型的深度学习需要内容丰富且数量极大的数据集来训练多层神经网络结构以捕捉遥感图像中的基本特征。然而,与流行的深度学习框架中使用的基准数据集相比,可用的遥感图像数据非常有限,这极大地限制了深度学习模型在遥感图像分析中的性能。为了充分发挥深度学习在遥感小数据图像分析上的性能,本文针对三种不同的遥感图像分析场景(遥感场景图像分类、台风云系预测和溢油分割),提出了三种数据扩增式深度学习方法。首先,针对遥感场景图像分类,本文提出一种数据扩增方法,实现数据扩增式卷积神经网络。这种数据扩增方法不仅可以提高任意遥感图像数据集的图像数量和完备性,还可以利用扩增的数据集训练深度卷积神经网络,以实现精确地场景图像分类。具体而言,本文提出应用三种基本操作(镜像、平移和旋转)增强任意原始数据集,并使用扩增的数据集训练,从而使深层模型获取更强的表达能力,并通过最近发布的三个遥感数据集验证表明本文所提方法的有效性。其次,针对台风云系预测,本文提出一种新的基于生成对抗网络(Generative Adversarial Networks,GANs)的台风云系预测方法。本方法以卫星云图数据为基础,设计了一种基于生成器/判别器的双网络结构的台风云系预测模型。生成器网络根据历史时刻连续多帧实测卫星云图学习台风云系的演化趋势,在此基础上生成未来时刻的连续多帧卫星云图,形成台风云系的可视化预测;判别器网络判别未来时刻的卫星云图的真实性。两个网络在互相对抗的过程中不断演进,最终生成器胜过判别器:判别器网络无法区分生成未来云图的真假。在这种训练模式下,模型从有限的卫星云图数据中学习如何重构台风的完整演化过程,并在训练过程中生成图像,实现数据扩增,避免了使用大量训练数据。为提高生成卫星云图的清晰度,本方法采用了多尺度网络结构和基于梯度差的损失函数进行模型训练。基于实测卫星云图的实验表明:本方法有效地预测台风云系运动的全时空演化过程,形成对数值模式预测可视化补充。因此,本方法为台风监测提供一种全新的参考依据,对于开展防灾减灾工作、保障人民生命和财产安全具有重要意义。最后,针对海上溢油分割,本文提出一种基于对抗f-散度学习的自动溢油分割方法。本方法利用f-散度来度量真实溢油分割和生成的溢油分割在概率分布上的差异。为实现可控的优化过程,本算法通过以对抗的形式训练了一个生成器和一个回归器来最小化f-散度的严格下界。生成器和回归器为不同结构的神经网络。其中,生成器的作用是生成精确的溢油分割图像,而回归器的作用是表征生成溢油分割和真实溢油分割的分布差异。生成器和回归器之间的对抗使算法获得最大f-散度的最小值。同时,对抗训练策略增强了生成器和回归器的特征表达能力,并且在训练过程中通过生成分割图像实现数据扩增,避免了使用大规模标定数据进行深度神经网络的参数训练。训练好的生成器网络在不需要任何手动初始化操作的情况下,实现全自动溢油图像分割。得益于f-散度表征不同分布的完备性,本溢油分割算法精确分割出在充满噪声的合成孔径雷达(Synthetic Aperture Radar,SAR)图像上的不同形状的溢油区域。综上,本文针对遥感图像数据量有限的问题,针对三种不同遥感场景图像分析任务分别提出一种数据扩增式深度学习方法,实现小数据条件下的高效遥感图像分析。