大数据时代背景下,我们获得了更高时空分辨率、更大数据量的遥感数据来应用于遥感积雪识别任务,但不论是易受云影响从而导致无法保证足够时间分辨的经验回归算法、研究周期较长的线性混合光谱分析法,还是需要大量训练成本和技术门槛的机器学习方法,都面临着各自的瓶颈。弱监督深度卷积神经网络作为一种训练成本较低、在计算机视觉领域有着良好表现的机器学习技术,在遥感积雪识别任务中有着很强的潜力。本文尝试探究了弱监督深度卷积神经网络是否可以完成遥感积雪识别任务,以及各个模块分别采用怎样的算法选择策略才可以实现更加符合当前的任务需求。基于MODIS L1B影像数据,本文对Le Net、Alex Net、VGGNet-16、Inception Net v1、Res Net这5种网络模型在遥感积雪识别任务中的表现进行了对比测试。通过对各个网络的学习性能、识别精度、生成的积雪掩膜效果进行对比分析,最终对数据集制备、网络模型选择等方面提出了推荐。通过研究,本文得到以下主要结论:（1）弱监督深度卷积神经网络,在基于遥感影像的遥感积雪识别任务中具有可行性、高效性,有较高的推广价值和应用价值。但目前弱监督深度卷积神经网络方法还不能完全替代传统遥感积雪识别方法。（2）不同模块的算法选择对最终的识别效果都有着一定的影响。弱监督深度卷积神经网络的模型选择对识别精度影响较大,深度较深、具有跳连结构的网络模型普遍拥有更好的识别精度。Tensor Flow2中的validation＿data方法与旋转、翻转数据增强方法同时使用的算法组合,也可以在保持稳定性的基础上提高识别精度。（3）弱监督深度卷积神经网络的鲁棒性会随着云面积的增加而降低,但依然高于线性回归算法。在使用MODIS影像的前提条件下,弱监督深度卷积神经网络较为适合时间分辨率要求较高、或不能排除云干扰的任务。