在深度学习研究中，自监督学习（Self-Supervised Learning, SSL）受到了广泛关注，引发了计算机视觉与遥感领域学者的浓厚兴趣。尽管在计算机视觉领域已取得显著成果，但自监督学习在地球观测领域的潜力仍 largely 未被充分挖掘。本文旨在系统介绍并综述自监督学习在计算机视觉背景下的核心概念及其最新进展，并将其应用于遥感领域的研究语境。此外，本文在主流遥感数据集上对多种现代自监督学习算法进行了初步基准测试，验证了自监督学习在遥感任务中的巨大潜力，并进一步开展了关于数据增强策略的深入研究。最后，本文梳理了地球观测自监督学习（Self-Supervised Learning for Earth Observation, SSL4EO）未来研究中若干具有前景的方向，以促进计算机视觉与遥感两个领域之间的深入交叉与协同创新。