随着遥感观测技术的快速发展，遥感图像数据急剧增长，准确识别遥感图像占据着越来越重要的地位。遥感图像分类不仅在军事中侦测战略性目标、精准打击目标发挥着不可替代的作用，而且在自然灾害监测、土地利用规划和天气预报中等生产生活中也有着广泛的应用。
　　然而遥感图像的视场大，场景类别数量多，包含的物体种类多，场景混杂度较高，信息量丰富，这些因素不仅导致遥感图像分类遇到很大的困难，而且在军事目标识别方面造成了一定的困扰。传统的遥感图像分类算法提取的特征具有一定的局限性，忽视图像中的一些物体信息，无法准确的描述遥感图像。因此，为了更准确的描述遥感图像，本文研究出基于卷积神经网络的遥感图像分类算法。本文的主要研究工作如下：
　　①本文通过分析卷积神经网络每层提取的遥感图像特征，将各层网络的特征进行融合以得到更为准确的遥感图像特征信息。该方法可以实现对网络进行端到端的训练，将每个卷积层提取的特征进过2l归一化处理后与其他层特征通过Eltwise层融合在一起获得整个图像全局特征信息。实验结果表明，本文研究出的算法是有效的，遥感图像分类的正确率明显提高。
　　②本文通过分析物体和场景之间的紧密关系，研究出了一种基于物体关系推理的卷积神经网络遥感图像识别方法。利用VGGNet-16获得遥感图像的先验场景信息，并且通过统计大量的遥感图像数据建立图像中的物体和场景之间的关系，采用物体检测的算法去检测图像中的多种物体，根据检测到的多种物体使用贝叶斯准则推理出遥感图像的类型。实验结果表明，与其他算法网络相比，本文研究出的方法在三个公共遥感数据集都取得了良好的结果，验证了图像中物体对场景的推理作用。
　　通过分析现有遥感图像分类算法的一些缺点，本文研究出两种方法去提高遥感图像分类的正确率。经过大量的实验验证，本文研究出的方法是有效的，在一定程度上提高了遥感图像分类的正确率。