La variación en el formato y los requisitos de clasificación de los datos de teledetección dificulta el establecimiento de un conjunto de datos de muestra estándar de teledetección. Como resultado, pocos modelos de redes neuronales profundas de teledetección han sido ampliamente aceptados. Proponemos un modelo híbrido de red neuronal profunda basado en un auto-codificador convolucional y una red neuronal convolucional complementaria para resolver este problema. El auto-codificador convolucional admite la extracción de características y la reducción de la dimensión de los datos de teledetección. Las características extraídas se introducen en la red neuronal convolucional y se clasifican posteriormente. Los resultados experimentales muestran que en el modelo propuesto, la precisión de clasificación aumenta de 0.916 a 0.944, en comparación con un modelo tradicional de red neuronal convolucional; además, el número de ejecuciones de entrenamiento se reduce de 40,000 a 22,000, y el número de muestras etiquetadas puede reducirse a más de la mitad, todo ello garantizando una precisión de clasificación de no menos de 0.9, lo que sugiere la efectividad y viabilidad del modelo propuesto.