随着网络信息技术的快速发展和互联网用户的剧增,网络上产生了大量的信息资源,尤其是内容复杂的图像数据,这其中包括了很多体现着国家主权和领土完整的地图图片,因此,从海量互联网图片中高效识别出地图图片对加强地图市场监督管理至关重要,提升人工判别不符合地图管理有关规定的地图效率迫在眉睫。目前,基于卷积神经网络（Convolutional Neural Networks,CNN）的遥感影像快速识别技术已引起国内外高度关注,启发了基于CNN的地图图片识别课题研究。然而,在基于CNN的地图图片识别研究中还存在地图图片识别模型训练样本数量较少、样本标记空间维度较低、未考虑及时响应服务需求等问题。针对这些问题,本文的主要工作如下:（1）构建了一套互联网图片分类体系。在分析地图图片的样式和特征的基础上,构建了一个包含123个类别的互联网图片分类体系,依据该分类体系对自动采集的92543张互联网图片经人工标注后形成样本库,其中地图类为24 652张。（2）系统阐述了CNN的基本理论,开展了基于CNN的地图图片识别研究。为了满足从互联网图片中识别出地图图片的及时响应服务需求,选择了轻量级代表网络Squeeze Net,其参数量和网络层数分别为已应用至地图图片识别研究中Res Net50网络的1/20和1/5。对两种网络进行训练、测试及评价,得出结论:Squeeze Net网络在地图图片识别应用中更具优越性。（3）研发了一套地图图片识别软件,其中集成了地图图片识别研究中已训练好的Squeeze Net网络模型,识别效率达到9000张/小时,可满足从互联网图片中识别出地图图片的及时响应服务需求。（4）引入目标检测方法对地图图片中的典型地理目标识别进行研究,阐述了两阶段学习代表网络Faster R-CNN（Region-based Convolutional Neural Networks）和单阶段学习代表网络YOLO＿v1（You Only Look Once）的基本结构。对两种网络进行训练、测试及评价,得出结论:Faster R-CNN网络对地图图片中的典型地理目标识别中效果更佳。（5）提出了融合SqueezeNet和Faster R-CNN的典型地理目标判别算法,在制作的3个测试集中对该算法进行了验证,结果显示:该算法对地图图片中缺失典型地理目标判别的平均精确率为93.01%、平均召回率为89.26%。实验结果表明该算法具有较强的泛化能力,为地图图片的高级语义信息挖掘提供了参考,同时,为基于稀缺样本的相关研究提供数据支持,也可有效提升人工判别不符合地图管理有关规定的地图效率。