遥感图像通常是由搭载在远离地面平台上的传感器对地球表面的电磁波辐射信息进行探测,并从空间和光谱两个维度成像的图像。根据成像时光谱分辨率的不同,将遥感图像分为多光谱遥感图像、高光谱遥感图像和超光谱遥感图像,不同类型的遥感图像已广泛的应用于土地利用分析、自然环境保护、军事安全等诸多领域。遥感图像的地物分类是遥感图像处理的基础,由于遥感图像分辨率高、数据量大以及地物目标的大小不一、形状各异等特点,给遥感图像的地物分类带来了巨大挑战。随着深度学习的飞速发展,大量基于深度学习的方法应用于遥感图像的地物分类,不同于传统基于机器学习的方法,基于深度学习的方法不需要人工设计特征提取器,且更容易获取抽象的语义特征信息,目前已成为遥感图像地物分类的主要研究方法。本文采用深度学习的方法对不同类型的遥感图像数据进行地物分类研究,本文主要工作如下:1)根据遥感图像光谱波段分辨率的不同,将其划分为多光谱遥感图像、高光谱遥感图像和超光谱遥感图像,同时介绍了不同类型遥感图像的特点,并综述其研究现状,同时对深度学习进行了详细的阐述。2)提出基于多级特征级联的多光谱遥感图像轻量化地物分类模型。该模型利用多个尺度来获取遥感图像的上下文信息,使目标分类更加准确;同时利用不同量级的主干网络提取特征,降低模型的复杂度,使模型在牺牲较小精度的情况下获得较快的分割速度;最后在遥感图像公开数据集Vaihingen和Potsdam上,验证了该模型的有效性。3)提出基于三维自适应采样和迭代收缩阈值算法的高光谱遥感图像分类方法。首先对输入数据进行三维自适应采样,再利用迭代收缩阈值算法（ISTA）进行精细重建,将重建过程中不同层级提取的特征融合,并输入到分类器中,最终获得分类结果。在公开的高光谱图像数据集Indian Pines、University of Pavia和Salinas上的实验结果表明,验证了本模型的有效性,仅需少量数据即可达到较好的重建和分类效果。