针对图像自动标注中底层视觉特征与高层语义之间的语义鸿沟问题，在传统字典学习的基础上，提出一种基于多标签判别字典学习的图像自动标注方法。首先，为每幅图像提取多种类型特征，将多种特征组合作为字典学习输入特征空间的输入信息；然后，设计一个标签一致性正则化项，将原始样本的标签信息融入到初始的输入特征数据中，结合标签一致性判别字典和标签一致性正则化项进行字典学习；最后，通过得到的字典和稀疏编码矩阵求解标签稀疏编向量，实现未知图像的语义标注。在Corel 5K数据集上测试其标注性能，所提标注方法平均查准率和平均查全率分别可达到35%和48%；与传统的稀疏编码方法（MSC）相比，分别提高了10个百分点和16个百分点；与距离约束稀疏/组稀疏编码方法（DCSC/DCGSC）相比，分别提高了3个百分点和14个百分点。实验结果表明，所提方法能够较好地预测未知图像的语义信息，与当前几种流行的图像标注方法进行比较，所提方法具有较好的标注性能。

针对传统卷积神经网络（CNN）稀疏网络结构无法保留全连接网络密集计算的高效性和实验过程中激活函数的经验性选择造成结果不准确或计算量大的问题，提出一种改进卷积神经网络方法对遥感图像进行分类。首先，利用Inception模块的不同尺度卷积核提取图像多尺度特征，然后利用Maxout模型学习隐藏层节点的激活函数，最后通过Softmax方法对图像进行分类。在美国土地使用分类数据集（UCM_LandUse_21）上进行的实验结果表明，在卷积层数相同的情况下，所提方法比传统的CNN方法分类精度提高了约3.66%，比同样也基于多尺度深度卷积神经网络（MS_DCNN）方法分类精度提高了2.11%，比基于低层特征和中层特征的视觉词典等方法分类精度更是提高了10%以上。因此，所提方法具有较高的分类效率，适用于图像分类。