近年来,随着我国航天事业的飞速发展,对地卫星系统日益完善。遥感影像的获取也变得更加容易,影像的分辨率也随之提升。相比于低分辨率的遥感影像,高分辨率遥感影像的形状特征、纹理特征、空间分布特征更为丰富,对影像的视觉表达更为直观。遥感影像的场景分类是遥感信息处理的重要研究方向之一,在军事和民用方面有着广泛的应用前景。面对海量的高分辨率遥感影像如何利用算法对其进行准确分类,一直是研究学者们关注的重点。然而传统的遥感图像场景分类方法一般是利用低层特征和中层特征进行分类,低层特征包括颜色、纹理、HOG特征、SIFT特征等,通常由人工设计获得,特征提取过程较为复杂,模型泛化能力较弱,中层特征由低层特征编码得到。随着图像分辨率的提高,低、中层特征对遥感影像丰富的场景语义表达能力变得不足。另一方面,虽然遥感图像的获取变得容易,但是带有类别标签的遥感图像数据非常匮乏,并且人工标注费时费力且主观性强容易出错。针对这些问题,本文对可见光高分辨率遥感图像场景分类方法进行了研究,主要研究内容有:首先介绍了神经网络的基本理论,卷积神经网络的基本结构,以及SVM和Softmax分类器。其次针对低、中层特征对高分辨率遥感图像场景分类精度低的问题,提出了一种基于视觉词袋法联合卷积神经网络的分类方法。该方法利用视觉词袋法提取遥感图像的SIFT特征并进行编码,获得图像的中层特征,然后利用不同的卷积神经网络模型对遥感图像提取高层特征,接着对中、高层特征进行融合。最后利用带有不同核函数的SVM分类器对提取到的特征进行分类。实验结果表明,高层特征比中层特征更能表达场景信息,分类精度更高,且融合特征也提高了遥感图像的分类精度。最后针对如何充分利用无标签的遥感图像数据问题,本文利用GAN模型结合半监督训练的方式,来实现遥感图像的半监督分类。首先,介绍了不同的学习类型,以及GAN的原理与结构,并指出能进行半监督训练的可能性。然后对DCGAN模型进行改进,设计一种能够充分利用标签数据和无标签数据的半监督GAN。通过结合带标签数据的监督损失和不带标签数据、生成数据的无监督损失来更新网络参数。实验结果表明,在少量标签样本的情况下本文的半监督生成对抗网络能够对遥感图像进行有效分类,分类精度高于监督学习的Alexnet模型和VGG-16模型,验证了算法的有效性。