随着卫星传感技术的迅速发展,获取到的遥感图像的分辨率越来越高。如何在高分辨率遥感图像中提取有价值的信息是一项巨大的挑战,其中对遥感场景进行准确分类成为了目前高分辨率遥感图像研究的重点和难点。近些年,国内外展开了大量的关于遥感场景分类研究,提出了一系列遥感场景分类的方法,其中包括基于低级、中级特征及卷积神经网络提取特征的方法,有效地提取了遥感场景中的特征信息。然而,现有的分类方法中仍存在以下问题:(1)目前采取的分类方法中没有考虑到遥感图像的特点,限制了分类的性能;(2)对于小型高分辨率遥感数据集训练困难的问题,导致使用深度网络模型训练效果受到限制。针对所存在的问题,本文主要的研究工作概括如下:(1)提出了一种基于随机子图像模型的遥感场景分类的方法。针对遥感图像多具备临近单元格相似的特点,该特点使得遥感图像的局部信息便可以做为整张图像的信息表达。利用遥感图像的临近单元格相似特点,将其通过柯西分布随机剪切大小不同的子图像,用这些子图像的预测分布图做为原始图像的分类判别依据,提高了在目标数据集上的分类精度。(2)针对小型高分辨率遥感图像数据集训练困难的问题,提出优化的卷积神经网络场景分类方法。针对ReLU激活函数出现的引起的神经元消失,提出了用Leaky ReLU代替Re LU函数的方法,并使用大型自然图像数据集进行预训练的大型深度网络模型用作特征提取器,最后对参数进行微调。通过多次对比实验表明该方法有效性,并证明了网络深度对特征提取的影响。