تصنيف الصور القمرية هو مشكلة صعبة تقع عند تقاطع الاستشعار عن بعد، ورؤية الحاسوب، وتعلم الآلة. نظرًا للتغيرات الكبيرة المتأصلة في بيانات الأقمار الصناعية، فإن معظم النهج الحالية لتصنيف الأشياء ليست مناسبة للتعامل مع مجموعات البيانات القمرية. كما أن تقدم تحليلات الصور القمرية قد تعثر أيضًا بسبب نقص مجموعة بيانات عالية الدقة ومصنفة تحتوي على تصنيفات متعددة. تتضمن إسهامات هذا البحث نقطتين رئيسيتين - (1) أولاً، نقدم مجموعتي بيانات قمريتين جديدتين تُعرفان بـ SAT-4 وSAT-6، (2) ثانياً، نقترح إطار عمل للاستدلال يُستخرج فيه الخصائص من صورة مدخلة، ويتم تنظيمها ثم إدخال المتجهات المميزة المنظمة إلى شبكة الإيمان العميقة (Deep Belief Network) للاستدلال.في مجموعة البيانات SAT-4، ينتج أفضل شبكتنا دقة تصنيف تبلغ 97.95٪ ويتفوق على ثلاثة خوارزميات استدلال حديثة للأجسام وهي شبكات الإيمان العميقة (Deep Belief Networks)، والشبكات العصبية التلافيفية (Convolutional Neural Networks)، وخوارزميات التشفير الذاتي المتراكبة مع التنقيح (Stacked Denoising Autoencoders) بنسبة حوالي 11٪. أما في SAT-6، فتبلغ دقة التصنيف التي ينتجها 93.9٪ ويتخطى الخوارزميات الأخرى بنسبة حوالي 15٪. تظهر الدراسات المقارنة مع تصنيف الغابة العشوائية (Random Forest classifier) الفوائد التي يقدمها نهج التعلم غير المشرف على التقنيات التقليدية للتعلم المشرف. يقوم تحليل إحصائي يستند إلى معيار فصل التوزيع والتقدير البُعدي الداخلي بتأكيد فعالية نهجنا في تعلم تمثيلات أفضل للصور القمرية.