La clasificación de escenas es una de las áreas del procesamiento de imágenes de teledetección que está ganando mucha atención. Con el objetivo de resolver el problema de la precisión limitada de la clasificación óptica de escenas causada por patrones espaciales complejos, una alta similitud entre clases y una alta diversidad de clases, se propone en este documento un algoritmo híbrido de interacción entre capas cruzadas de características para la clasificación de escenas de teledetección óptica. Primero, se extraen una serie de características de dos ramas, una rama transformadora de visión y una rama Res2Net, para fortalecer la capacidad de extracción de características de la estrategia. Se propone una nueva técnica de atención interactiva, con el objetivo de centrarse en la fuerte correlación entre las características de las dos ramas, para utilizar completamente las ventajas complementarias de la información de características. Los datos de características recuperados se refinan y fusionan aún más. Las características combinadas se utilizan luego para la clasificación. Se realizaron experimentos utilizando tres conjuntos de datos de teledetección de código abierto para validar la viabilidad del método propuesto, que tuvo un mejor rendimiento en tareas de clasificación de escenas que otros métodos.