遥感图像已在军事侦察、地图绘制、环境监测、地理信息系统、精确农业等实际任务中发挥越来越重要的作用。这些实际任务共同涉及的一个核心问题为遥感图像特征提取与表述。传统方法的表述能力有限,近年来更多的研究将目光转向从深度学习领域,寻找更强有力的特征表述方法。卷积神经网络作为深度学习的一种典型网络结构,在多种视觉处理任务中都取得了良好的性能。然而卷积神经网络优异性能的获得需要足够带语义标签的训练样本。在实际遥感图像分析应用场景中,标记数据的获取费时费力,而且有些应用场景中根本不可能获得观测数据的语义标签。因此本文针对卷积神经网络,重点研究不需要语义标记的无监督学习方法,缓解实际任务中由于训练样本的语义标签不足所带来的应用难题。首先,本文提出了均衡数据驱动的稀疏性(Balanced Data Driven Sparsity,BDDS)方法来提高卷积神经网络的无监督特征表述能力。通过分析遥感图像的数据分布特性,发现各种不同种类的遥感图像块的分布极其不均衡。若以随机的方式抽取训练样本来训练网络,不仅会使网络偏离最优收敛点,而且数量过多的某些种类的训练样本还会强制覆盖网络对数量过少的某些种类的训练样本的响应,从而极大地降低网络的表述能力。BDDS方法可以使训练样本在全局和局部范围内都具有均衡性和多样性,使每种类别的样本都得到网络的充分响应,提升网络的表述能力。其次,本文提出了无监督卷积特征融合网络(Unsupervised Convolutional Feature Fusion Network,UCFFN),同时实现深度模型的无监督训练和特征级融合。UCFFN在理论上有两方面的优势。首先,常见的无监督学习本身具有不能利用标签来获得有效的反馈信息的限制,训练过程无法辨别本层输出的特征中所含的信息是否是对下一层神经网络有用的信息,所以会导致有效信息在层间传递的过程中流失,本文提出的UCFFN能够重新捕获流失的有效信息;其次,在深度神经网络中位于不同深度的神经网络层输出的特征包含不同抽象程度的信息,UCFFN结合不同抽象程度的信息有益于遥感图像的特征表述。最后,在真实的遥感图像数据库UC Merced Land Use数据库上的大量实验证明BDDS是一种能提高深度网络模型无监督特征表述能力的有效方法。而且在UC Merced Land Use数据库上UCFFN得到了88.57%的准确率,证明了所提出的方法的有效性。与极深的网络模型相比,UCFFN仅用少量卷积层的UCFFN取得了相当甚至更优的表述和分类性能。并且UCFFN还成功在多光谱数据集(Brazilian Coffee Scenes)上取得了优异的成果,证明所提出方法同时还具备强大的泛化能力。