遥感图像中包含的信息非常丰富,能真实地反映地表覆盖情况,是生态环境变化研究、土地资源管理和可持续发展的重要基础。在众多的应用领域当中,通过对遥感图像进行分类来获取地表覆盖情况是最基本也是最广泛的应用,受到越来越多研究者的关注。因为传统“面向像素”和“面向对象”的分类方法已经不能满足遥感图像高层语义分类任务的需要,所以“面向场景”的分类方法逐渐成为遥感图像分类领域热门的研究课题。由于卷积神经网络(Convolutional Neural Network,CNN)在自然图像分类、目标检测等领域取得了巨大成功,把卷积神经网络应用于遥感图像场景分类也成为近些年来的一个研究热点。然而卷积神经网络依然存在一些问题,比如容易产生过拟合、采用基于梯度下降的优化算法容易产生局部最优解、手动调节学习率参数比较耗时等。本文主要研究内容如下:(1)针对卷积神经网络全连接层在训练过程中存在过度训练,导致其泛化性能下降、分类精度不高以及产生过拟合风险等问题,本文提出一种改进策略,通过降低卷积神经网络模型结构复杂度,来缓解模型过拟合的风险。去掉卷积神经网络的全连接层,把卷积神经网络当做特征提取器,把极限学习机(Extreme Learning Machine,ELM)当做分类器,构建一个混合分类模型,应用于遥感图像场景分类。实验结果表明,该方法有效地抑制了过拟合风险,对分类精度也有一定的提高。(2)针对卷积神经网络在遥感图像分类时随机梯度下降(Stochastic Gradient Descent,SGD)优化算法容易陷入局部最优解,手动调参过于耗时、效率低等问题,本文提出一种采用进化策略算法这样一种全局优化算法和SGD算法相结合策略,结合两者的优势。在优化过程中进化策略算法和SGD算法交替进行,在SGD步骤采用退火策略,使模型在学习时能自动调整学习率,解决手动调参过于耗时、效率低等问题;在进化步骤采用精英策略,以使模型获得更好的全局最优解。在设置最优参数和隐含层节点的情况下,构建具有该策略的卷积神经网络模型,以此对遥感图像进行场景分类研究。实验结果表明,该策略能有效避免陷入局部最优解并实现了学习率参数的自动调整,节省了时间、提高了效率,并且可以有效地提高分类精度和分类一致性。