Este estudio tiene como objetivo mejorar la eficiencia de la clasificación de escenas de teledetección remota (RSSC) a través de redes neuronales ligeras y proporcionar una posibilidad para la computación a gran escala, inteligente y en tiempo real en dispositivos comunes al realizar RSSC. En este estudio, se propone un modelo ligero de RSSC, llamado RSCNet. Primero, utilizamos la red ShuffleNet v2 ligera para extraer las características abstractas de las imágenes, lo que garantiza la eficiencia del modelo. Luego, los pesos del esqueleto se inicializan utilizando transfer learning, lo que permite que el modelo aprenda aprovechando el conocimiento de ImageNet. En segundo lugar, para mejorar aún más la precisión de clasificación del modelo, proponemos combinar ShuffleNet v2 con un mecanismo eficiente de atención de canales que permite ponderar las características del clasificador de entrada. En tercer lugar, utilizamos una técnica de regularización durante el proceso de entrenamiento, que utiliza la regularización de suavizado de etiquetas para reemplazar la función de pérdida original. Los resultados experimentales muestran que la precisión de clasificación de RSCNet es del 96.75% y 99.05% en los conjuntos de datos AID y UCMerced_LandUse, respectivamente. Las operaciones de punto flotante (FLOPs) del modelo propuesto son solo 153.71 M, y el tiempo dedicado a una sola inferencia en la CPU es de aproximadamente 2.75 ms. En comparación con los métodos de RSSC existentes, RSCNet logra una precisión relativamente alta a un costo computacional muy pequeño.