随着遥感图像在社会生活和经济建设中的地位越来越重要,遥感图像分辨率也在逐步提高,如何从遥感图像获得更多有用的数据和信息变得极为迫切。在社会生活中,从遥感图像中获取大量的标记样本是不现实的,但是随着技术的不断发展,对未标记样本的采集工作显得轻而易举,专家不必花费大量的人力物力对未标记样本进行标记。因此,提高遥感图像的分类性能更多考虑如何充分利用有限的标记样本和大量的未标记样本,主动学习可以有效解决这个问题。主动学习算法通过依次迭代更新,从未标记样本中寻找含有最大信息量的样本,在有限的时间和资源的前提下,构造有效训练集,从而提高分类算法的效率。目前,在机器学习领域,主动学习已成为一个热门研究问题。深度学习致力于建立模拟人脑分析学习机制的多层次神经网络的建模和算法学习的研究问题,它的概念源于人工神经网络的研究,深度学习通过多层神经网络分析和解释数据,解决深层结构相关的优化难题。在深度学习中,一种常用的模型是稀疏自编码模型(SAE)。它在寻找数据高维特征同时通过稀疏正则项使得寻找到的特征具有稀疏性,不仅能保证取出的特征能够消除冗余,而且具有很好的表示能力。本文利用稀疏自编码结合主动学习模型中的nEQB来对遥感图像进行分类。该方法先利用稀疏自编码对训练样本进行训练得到初始分类器,接下来用主动学习把未标注样本集中最富有信息量的样本挑选出来交给专家对样本所属的属性或者类别加以标注,把标记好的样本重新加入到训练样本中,同时将标记好的样本从未标记样本中剔除,如此迭代更新分类器。引入主动学习加入到稀疏自编码框架中是为了通过主动学习来增加训练样本的数量,提高分类器性能,从而提高稀疏自编码的分类精度,为了验证两者结合的效果与稀疏自编码加随机和SVM加主动学习方法进行了对比实验。此外,在这两组实验中还测试了参数的敏感性。实验结果表明:在遥感图像的分类中,在训练样本一致的前提下,SVM通常是略优于SAE;不过不论对SAE还是SVM,加入主动学习算法以后两者的分类精度都有提高。