机器学习是许多人在人类生活的各个领域中不可或缺的技术。 它遍及全球的现代生活中，并具有多种用途。 一种应用是图像分类，它涵盖了许多影响领域，例如商业，金融，医药等，以提高产量，原因，效率等。这种对更精确，面向细节的分类的需求增加了对修改，改编，和深度学习算法的创新。 本文使用卷积神经网络（CNN）对CIFAR-10数据库中的场景进行分类，并在KDEF数据库中检测情绪。 所提出的方法将数据转换到小波域以获得更高的精度和与空间域处理相当的效率。 通过将图像数据划分为子带，重要的特征学习发生在不同的低频到高频上。 所学习的低频和高频特征的组合以及对融合特征映射的处理导致检测精度的提高。 将拟议的方法与空间域CNN和堆叠式降噪自动编码器（SDA）进行比较，实验结果表明，准确性显着提高。

近年来，深度学习已广泛应用于图像理解领域，并在图像理解方面取得了突破性的研究进展。 由于遥感应用与图像理解是分不开的，因此研究人员对深度学习在遥感领域的应用进行了大量研究，并将深度学习方法扩展到了遥感的各个应用领域。 本文总结了深度学习的基本原理及其在遥感领域的研究进展和典型应用，介绍了当前主要的深度学习模型及其发展历史，重点分析和阐述了深度学习在遥感图像分类中的研究现状。 ，对象检测和更改检测，并在此基础上总结了典型的应用程序及其应用效果。 最后，根据深度学习在遥感领域的当前应用，总结了主要问题和未来的发展方向。