遥感技术对地球的观测能力不断增加,影像的空间分辨率也得到了不断提升。高空间分辨率的影像中所含有的地物信息也更加细致,能够表达地物更多的细节特征以及地物与周围环境、场景的关联关系。地物之间的不同的空间关系构成了不同语义的场景,挖掘更高层次的场景语义信息是当前遥感图像理解的一个重要方向。深度学习技术的出现及其在机器视觉领域中取得的成功应用,给遥感影像的场景分类研究带来了新的机遇。本文以深度学习技术为基础,以高准确率影像场景分类为目的,研究遥感影像场景分类方法。本文首先探究了深度学习模型对于遥感影像特征提取的原理和机制,通过实验验证了卷积神经网络模型对于遥感影像的特征提取上的优势。基于卷积神经网络模型和XGBoost算法设计了遥感影像场景分类框架,并使用迁移学习方法,对预训练的深度学习模型进行微调训练,保证分类正确率同时提高了框架的效率,降低了训练成本。在UCMerced数据集和NWPU-RESISC45数据集上分类精度达到95.57%和83.35%。本研究以实际应用为导向,以北京市海淀区的实际影像为基础研究对象。以影像的空间位置为纽带,借助城市中能够反映人类经济和社会活动的POI数据和共享单车数据来补充影像中所缺乏的关于社会经济活动相关的信息,这样既综合了影像对外部自然属性信息的描述,又增加了人类活动的信息。选择北京市海淀区为研究对象,以实际的功能区类别来进行场景分类,最终的总体分类精度达到80.94%。最终,本文基于WebGIS技术和TensorFlow框架,设计并实现了遥感影像场景分类原型平台,集成了本文提到的算法和模型,并支持对数据的管理以及可视化展示。