Die Klassifizierung von Satellitenbildern ist ein anspruchsvolles Problem, das sich am Schnittpunkt von Fernerkundung, Computer Vision und maschinellem Lernen befindet. Aufgrund der hohen Variabilität, die in Satellitendaten inhärent ist, eignen sich die meisten aktuellen Ansätze zur Objektklassifizierung nicht für die Verarbeitung von Satellitendatensätzen. Der Fortschritt der Analyse von Satellitenbildern wurde auch durch den Mangel an einem einzigen hochaufgelösten Datensatz mit mehreren Klassenlabels behindert. Die Beiträge dieser Arbeit sind zweigeteilt: (1) Erstens stellen wir zwei neue Satellitendatensätze vor, die SAT-4 und SAT-6 genannt werden, und (2) Zweitens schlagen wir einen Klassifizierungsrahmen vor, der Merkmale aus einem Eingangsbild extrahiert, sie normalisiert und die normierten Merkmalsvektoren an ein Deep-Belief-Netzwerk weiterleitet, um eine Klassifizierung durchzuführen. Bei dem DAT-4-Datensatz erreicht unser bestes Netzwerk eine Klassifikationsgenauigkeit von 97,95 % und übertrifft drei state-of-the-art-Objekterkennungsalgorithmen – nämlich Deep-Belief-Netzwerke, Faltungsneuronale Netze (Convolutional Neural Networks) und Stapelverarbeitende Entstör-Autoencoder (Stacked Denoising Autoencoders) – um etwa 11 %. Bei SAT-6 erzielt es eine Klassifikationsgenauigkeit von 93,9 % und übertrifft die anderen Algorithmen um etwa 15 %. Vergleichsstudien mit einem Random-Forest-Klassifikator zeigen den Vorteil eines unüberwachten Lernalgorithmus gegenüber traditionellen überwachten Lertechniken. Eine statistische Analyse basierend auf dem Trennbarkeitskriterium für Verteilungen (Distribution Separability Criterion) und der Schätzung der intrinsischen Dimensionalität untermauert die Effektivität unseres Ansatzes bei der Erstellung besserer Repräsentationen für Satellitenbilder.