随着遥感技术突飞猛进的发展,遥感领域数据的获取变得越来越容易,遥感领域也受到更多学者的关注。而遥感图像场景分类作为遥感图像分析和解释的一个重要环节,也是实现地球检测的一项重要技术。近年来,国内外大量的研究人员都将目光聚焦于此,提出了大量的遥感图像场景分类方法,尽量地提取遥感场景中的语义信息。然而,现有的场景分类方法仍然存在以下不足:(1)现有的大部分分类方法依旧是基于传统的人工设计方法所提取的低级图像特征,而低级图像特征对图像的描述能力有限,影响分类效果;(2)现有基于深度特征的分类方法中,大部分是直接将所提取的特征作为最终的图像表示,没有对特征进行归一化处理,可能会存在数值异常的特征影响实验结果。而且深度特征虽然能较好的描述图像内容,但是却忽略了图像的空间分布信息,因此会限制最终的分类准确率;(3)现有分类方法采用的分类器通常只考虑了单一分类器,而单一分类器性能有限,即每一种单一分类器只能对某些场景类别具有较好的分类效果,不能实现所有场景类别的准确分类,因此也会影响分类效果;针对上述问题本文开展了基于预训练神经网络的遥感图像场景分类方法的研究,并在多个公开数据集上证明了方法的有效性。首先,为了解决现有描述符对于遥感图像描述不足的问题。本文提出采用最新的DenseNet结构作为特征提取器的结构,其设计思想借鉴了GoogLeNet的Inception结构和ResNet的网络结构,并在其基础上加以创新,能有效捕获遥感图像的场景信息。此外,我们将基于ImageNet数据集的预训练DenseNet作为训练起点进行了进一步微调,并通过数据增强手段加强网络对于几何变换和旋转的鲁棒性,得到更契合于遥感图像的特征提取器。其次,针对深度特征缺乏进一步处理的问题。本文利用空间金字塔的思想来进一步处理图像深度特征,先对提取的特征进行归一化以去除奇异的特征值对实验的负面影响。然后将图像特征划分为几个级别的空间金字塔结构,通过对空间金字塔中每一个网格中的局部特征进行信息提取来捕获图像的空间信息。此外,为了进一步提高特征描述能力,本文采用FV特征编码方式对局部特征进行聚合来得到图像的最终表示。此外,针对单一分类器性能有限的问题。本文构建了一种简单的加权投票集成分类器,即利用AdaBoost.M1算法训练得到多个基分类器,根据每一个基分类器的性能赋予其不同的权重,最终利用加权投票的方法综合考虑每一个基分类器的结果,以此来增强分类器性能。最后,本文在三个公开标准数据集上进行了有效性验证实验以及多种对比实验。实验结果证明本文所提方法在三个数据集上分类准确率均有提升,特别在NWPU-RESISC45数据集上达到了94.16%的分类准确率,是该数据集目前为止最好的分类结果,证明了本文所提方法的有效性。综上所述,本文工作内容以及所提方法对于解决遥感图像场景分类中图像表示以及分类器构建等问题具有重要的理论以及实用价值。