場景分類是遙感影象處理的一個重要環節，也是遙感研究領域的熱點。隨著衛星遙感影象和航空遙感影象解析度不斷提高,可以從遙感影象中獲得更多有用的資料和資訊。而針對不同場合的應用，對遙感影象的處理也有著不同的要求,所以為了有效地對這些遙感影象資料進行分析和管理，需要根據影象內容給影象貼上語義標籤。而場景分類就是解決該類問題的一種重要途徑。場景分類指的就是從多幅影象中區分出具有相似場景特徵的影象，並正確的對這些影象進行分類。通俗講就是將資料庫中的不同遙感影象按照一定的分類特徵進行分類，所以場景分類的關鍵就在於對影象特徵的提取。針對影象特徵的提取，已經出現了很多經典的方法，

主要分為三類：

一是對影象直接提取特徵描述子，比如尺度不變特徵變換SIFT、顏色直方圖、方向梯度直方圖HOG、區域性二值模式LBP等；

二是在影象分塊提取的一些底層特徵基礎上繼續進行特徵提取，比如詞袋模型BOVW、稀疏編碼等；

三是通過訓練深度網路模型，對影象自動提取特徵。

上述三種方法各有優缺點。第一種方法雖然步驟簡單，但由於低層特徵對於場景語義資訊的描述具有侷限性，所以這種方法對提取的特徵描述子具有較高的要求；第二種方法相對於第一種方法分類精度雖有所提高，但處理過程會更復雜；而深度網路是最近幾年興起的一種方法，優點在於不用人工提取特徵描述子，而且經過充分訓練後的網路分類效果非常好。但深度網路模型卻需要大量的資料進行訓練，耗時較長，對儲存要求也相對較高。