本书聚焦遥感影像的非监督智能解译问题。遥感影像蕴含丰富的空谱信息，应用前景广阔，但其分类任务长期受限于标记样本稀缺。传统浅层聚类方法难以刻画高维数据的非线性结构，鲁棒性不足，且在大规模场景下面临计算复杂度高、扩展性差等瓶颈；同时多源多模态遥感数据存在模态异质、尺度不一、语义难对齐、融合建模困难等诸多问题，非监督融合解译难度极大。为此，本书以深度学习与聚类理论为支撑，围绕遥感聚类的鲁棒性、可扩展性及多模态融合三大核心方向开展系统研究。针对单模态遥感影像复杂场景，研究图正则化深度子空间聚类、图卷积子空间聚类等鲁棒性建模方法，并结合超像素近邻对比、空间–光谱对比学习等可扩展建模策略，所提方法有效缓解了传统方法鲁棒性弱、计算开销大、难以适配大规模遥感场景等问题。在此基础上，面向多源异构遥感数据，研究多模态融合聚类方法，通过多模态锚点图学习、跨模态注意力交互建模，实现无标签条件下多模态遥感信息的互补利用与一致性表征。实验验证了所提方法在提升聚类精度与效率方面的有效性；本书由此构建起面向遥感影像的非监督智能解译方法体系，为高光谱及多模态遥感图像处理提供了兼具理论深度与应用价值的解决方案。

本书能够为遥感图像处理、机器学习、模式识别、人工智能和地球信息科学等领域的研究人员和研究生提供有益参考。