有效地实现具有高空间分辨率图像的遥感图像分类，可以在土地使用和陆地覆盖（LULC）分类中提供显着的价值。遥感和深度学习技术的新进步促进了LULC分类的时空信息的提取。此外，在包括遥感的科学等各种学科，利用传输学习的卷积神经网络（CNNS）的图像分类巨大改进。在本研究中，代替从头开始训练CNN，转移学习应用于微调预先训练的网络视觉几何组（VGG16）和宽残余网络（WRNS），以便使用附加层，用于LULC分类使用EuroSat DataSet的red-green-blue版本。此外，将性能和计算时间与技术进行比较和优化，例如早期停止，梯度剪辑，自适应学习率和数据增强。拟议的方法已经解决了有限数据问题，实现了非常好的准确性。结果表明，基于WRN的提出方法比以前的计算效率和精度从98.57％到99.17％的准确性更好地表现优于先前的最佳结果。