基于多光谱遥感影像的分类是对地观测的重要手段，同时也是农作物精准预测的重要手段。在众多的多光谱图像农作物分类算法中，深度学习作为一种新颖的分类算法，能够自动从大量数据中获取到合适的映射关系，提取出分类特征，进而实现分类识别功能。然而深度学习神经网络同传统分类算法一样需要合理地选择特征还有模型结构，此外由于地区与时间的不同导致的多光谱图像的不同，分类算法极有可能在其它区域不适用或分类精度下滑严重。针对上述情况，本文做出了以下工作：
　　1、对多光谱图像的时间，空间，光谱谱段建立神经网络模型，并分析模型与特征的重要性。对时间与光谱特征使用一维卷积模型，二维卷积模型以及LSTM模型分类；对空间特征与时间特征使用二维卷积网络与三维卷积网络模型实现分类。得出在少量谱段情况下谱段的连续性对神经网络的性能影响较小；在30m分辨率下，空间特征对农作物分类结果影响较小；基于多光谱谱段的时间特征能够很好地协助模型实现分类。
　　2、对于分类算法在其它数据集下分类性能下滑的问题，本文使用度量学习的方法来缓解该问题。使用神经网络对输入数据进行映射，得到有效的特征向量，并约束同类特征向量距离减小，非同类特征向量距离增大，最终通过特征向量之间的距离来判断分类。实验表明，通过使用度量学习模型在不同时间点下的测试精度有了一定的提升，而且模型可对具备一定数量锚定样本进行少样本分类。