深度学习（DL）神经网络方法成为遥感领域研究的热点。深度学习神经网络是近年来的一项发展,已成为计算机视觉和遥感学科研究的课题。超分辨率重建是指通过数字图像处理从单个或一系列低分辨率图像中重建高分辨率图像的技术。该技术不仅可以增加图像的高频信息,还可以消除低分辨率。不同的卫星数据被用来预测每个深度学习模型的性能。深度学习在现代数字图像处理方面取得了突破性进展。与传统算法的Bicubic和最大似然（ML）相比,图像分类和目标检测等一系列具有挑战性的图像处理问题需要找到快速可靠的解决方案,因此,我们的论文的焦点是在遥感领域的各个重要阶段应用深度学习方法后,主要如下:1.超分辨率重建是指通过数字图像处理从单个或一系列低分辨率图像中重建高分辨率图像的技术。该技术不仅可以增加图像的高频信息,还可以消除低分辨率。深度学习在现代数字图像处理方面取得了突破性进展。深层卷积神经网络通过大量的训练样本学习,获取图像中的相关信息,然后利用这些信息实现特定的功能。超分辨率（SR）图像可以通过深度神经网络方法获得,这些方法比以往所有传统方法都能获得更高的性能。在本研究中,我们提出了一种增强的深层卷积神经网络,称为（EDCNN）,并将其应用于SR卫星图像。该方法获得了卓越的性能,优于现有传统方法和现有深度学习方法的（如bicubic,CNN,DNC）。2.对航空卫星图像进行分类取决于光谱内容,这是遥感中一个具有挑战性的问题。传统的监督分类,如最大似然（ML）有很多缺点。为了实现埃及卫星图像分类的高性能和准确性,本文提出将卷积神经网络（CNN）作为首次深度学习方法,用于对Egyutsat-1卫星图像的分类。本文中的CNN是著名的深度学习方法之一。使用CNN对空中图像进行分类,如城市,植被,沙漠,水体,土壤土地,道路等。在我们的工作中,对最大似然（ML）和CNN方法的进行了比较,CNN的性能比ML高出9%。为了提高性能,我们使用了 SegNet,它比传统的卷积神经网络得到了更好的分类效果。此外,实验表明,SegNet是埃及卫星图像分类中应用的最满意、最有效的分类方法。3.遥感图像中的变化检测用于探测地球表面不同时期的变化。综合孔径雷达（SAR）具有不受时间、天气等条件影响的优点,基于SAR图像的变化检测技术具有重要的研究价值。目前,这项技术越来越受到研究人员的关注,在城市规划、灾害评估、森林预警系统等多个领域也得到了广泛的应用。本文的工作目标是将SAR图像的变化检测与深度神经网络相结合,提出了一种新方法,并将其现有方法进行比较。我们在实际数据集上的实验和理论分析表明了我们提出的方法的优点。我们的研究结果表明,深度学习算法可以进一步提高变化检测过程的效果。