如何快速从海量遥感数据中获取遥感信息,实现遥感影像智能解译,一直是遥感技术领域研究的重要课题。人工神经网络技术在遥感影像自动分类领域取得显著成果。通过对国内外研究现状分析可发现,许多研究均是以改善算法为手段,以提高分类精度为目的,且分类精度已达到90%以上,但这些研究均是针对某一实验区域、实验数据进行的研究,当研究区域和实验数据改变之后,可能达不到很好的分类精度,而且自动化程度也不够。本文从改变样本来源、控制样本数据质量和保证样本数据数量等方面进行研究,以期提高分类的自动化程度和精度。本文将深度学习理论与人工神经网络技术相结合,并将最为成功的卷积神经网络模型应用于高分辨率遥感影像的分类进行实验研究。深度学习的优势在于从大数据中自动进行特征的提取与学习,卷积神经网络通过局部区域感知和权重共享两大法宝大大减少参数个数,降低了样本训练难度。所采用的实验数据不是特定的某一区域,而是取自多幅遥感影像的解译标志数据。本研究的主要成果如下:(1)对人工神经网络和卷积神经网络在遥感影像自动分类中的应用现状做了整理和分析,介绍了人工神经网络遥感影像分类的理论基础,重点介绍了深度学习的优势及卷积神经网络的特点和模型结构;(2)基于Visual Studio 2015软件平台,采用C#程序设计语言和WPF界面框架完成卷积神经网络框架的实现;(3)以解译标志作为卷积神经网络的样本数据,解译标志具有数据量大和保证真值两个特点,通过控制解译标志的来源和规范化存储来保证解译标志的质量,通过批量生成解译标志功能保证解译标志的数量;(4)以解译标志生成的样本数据为实验数据,运用实现的卷积神经网络框架完成高分辨率遥感影像的分类实验,得出影像本身分辨率越高,地物样本的质量越好,训练样本的数量规模越大,测试准确率越高的结论,但是随着训练样本数量规模的不断增大,准确率增长速度变缓。最终本文的分类精度为86.17%,在可用范围之内,消除了只针对一幅影像进行研究的局限性,对提高遥感影像分类的自动化程度具有很重要的现实意义。