遥感图像识别算法在军事领域和民用领域均有重要作用,典型遥感图像识别算法在识别新类别前需要大量的标记样本和训练时间,给实际应用带来不便。通过少量甚至单张标记样本使得算法快速获得对新类别的识别能力,在遥感图像分析领域具有重要意义。本文将少样本对象识别算法引入遥感图像领域中,着重研究基于关系网络(Relation Network,RN)的遥感图像少样本对象识别算法。针对RN特征融合方式过于简单导致类别特征权重分配不合理,影响识别准确率的问题,提出了基于自学习特征融合的RN模型(MRN),设计了自学习的特征融合模块提取类别特征,削弱无效特征权重,保证类别特征的有效性。在特征度量阶段,为了进一步提高识别的准确率,提出了基于分组特征度量的MRN模型(MSRN)。对不同类别特征做出分组约束,增大不同类别样本在特征空间上的间距,增强分类器的稳定性。在实际应用中遥感图像数据来源多样,数据分布域存在差异,模型的域适应性直接影响识别精度。本文将Mixup数据增强模块引入MSRN增加训练样本的多样性,并修改损失函数对模型进行正则化约束,增强模型的泛化能力和识别精度。针对MSRN对样本分辨率敏感与实际情况中遥感图像分辨率复杂多变这一现实问题,提出了基于残差等射变换的MSRN(Res-MSRN)。Res-MSRN通过引入残差等射变换结构来修正提取到的样本特征,并利用分辨率系数来拓展低分辨率样本有效特征信息,在保证识别准确率的基础上提高了算法在不同分辨率样本上的稳定性。最后在公开遥感图像数据集上将本文提出的模型与其他最新的少样本对象识别方法进行对比实验,实验结果表明本文提出的Res-MSRN在识别精度上优于其他方法,并且具有较高的泛化能力和分辨率稳定性。