随着许多覆盖全球的遥感卫星成功发射,激增的需求催生各种复杂模型在遥感分类任务中快速发展与应用,遥感分类技术对于大规模带标签数据集的质量要求越来越高。一方面,从量上来说,获取大量带标签遥感数据并不容易,通常需要许多专业的地学标注员进行大范围的实地调查和长时间的业内绘制以获得匹配的标签。另一方面,从质上来说,由于自然地物分布不均,采样过程中,每个类别间样本量通常是不相等的,导致遥感数据集类间样本不平衡,甚至存在巨大的差异。遥感分类中带标签数据集质量的提升通常耗费人力、物力、财力和时间,而数据集质量上的缺乏常引起以下问题:（1）大规模带标签数据缺乏导致模型难以拟合的问题;（2）少数类带标签数据缺乏/类别间数据不平衡导致模型偏见性的问题。近几年,半监督学习受到广泛关注,它可以利用大量未标记数据中丰富的自然特征,有效地提高模型在数据集质量不足情况下的分类精度。然而,半监督学习除了需要对少量的有标记数据进行处理外,还需要不断地循环处理大量未标记数据,带来较大的时间成本。算法过高的时间成本常导致分类任务的失败,而影响算法时间的元素多而复杂,时间成本极其重要却难以评估。这个问题不仅存在于半监督学习也存在于其他算法间,是共性问题。因此,本研究进一步提出了相关的问题:（3）模型的时间效率缺乏有效的时效评估框架。综上,本研究从精度和时间效率的角度出发,具体从以下三个方面展开研究:（1）提出一种面向不平衡数据集的半监督均衡方法。针对少数类带标签数据缺乏/类别间数据不平衡的问题,本研究提出了一种新的基于半监督学习的解决方案Near Pseudo。在Near Pseudo中,利用初始化分类器对未标记的数据创建相应的伪标签,根据与少数样本的距离选取最优无标签样本,并将其与相应的伪标签加入到的不平衡数据集中。同时,通过一致性检查的反馈机制,限制了添加未标注数据时其伪标签必须与少数类一致,进一步提高了伪标签的质量。实验结果表明,与其他常用的平衡方法相比,Near Pseudo可以提高分类性能。此外,它还可以灵活地应用于大多数常用的分类器,以提高这些分类器处理不平衡数据集的能力,同时提高少数类的分类精度,降低模型对少数类的偏差。（2）提出基于半监督学习的全卷积神经网络遥感影像分类方法。针对大规模带标签数据缺乏导致模型难以拟合的问题,本研究提出了基于半监督学习的全卷积神经网络ER-Net。ER-Net利用一致性正则化项重构全卷积神经网络,使得未标记标签以正则化项进入了模型训练之中。本研究提出信噪比数据增强模块,使扰动可控。在编码解码器中加入了短连接结构,前期数据较小时模型可自我映射,后期未标记数据加入训练时模型可获取深层特征。通过构建指数函数将一致性正则化部分与迭代次数相结合,让未标记数据对模型的影响随着迭代次数的增加而逐步增加。实验结果表明,与其他全卷积神经网络相比,ER-Net仅用两个公开数据集中5%的标签和95%的未标记数据,便很好地提高了模型的分类精度,有效地利用了未标记数据的丰富信息,降低了人工标注的时间成本。（3）提出全参数时间复杂度的时间效率评价方法。针对缺乏有效的框架评估模型时效性的问题,本研究详细地梳理了所有可能影响算法运行时间的因素（数据大小、类别数量、波段特性、算法结构、算法参数等）,剖析各因素之间的关系,提出了全参数时间复杂度框架FPTC用以评估算法的时效。在此框架下,通过算法推导可获得各因素与算法运行时间之间明确的定性关系。同时,本研究提出了系数,以反映计算机环境因素和物理因素对运行时间的影响。通过,可以获得FPTC与算法运行时间确定的定量关系。通过FPTC与的配合,可在程序运行之前就对算法的运行时间进行预估,同时还可预估各因素变化而带来的算法运行时间的变化。实验结果表明,实际运行时间与FPTC之间存在很强的线性关系,这种线性关系验证了FPTC与运行时间的定性关系。研究表明,通过FPTC与系数来估计运行时间与实际运行时间之间的平均均方根误差为2.365s,说明了FPTC和系数预测算法运行时间的可行性和准确性。在自然灾害应急响应中,FPTC可以快协助速地筛选具有合理运行时间的高效算法。