作为图像处理的基础应用,图像目标提取是指从单幅图像或序列图像中识别和解译有意义的对象,图像场景分类是指识别不同种类的场景图像,即以图像的场景特征为分类依据,正确的将数据集中的图像进行分类的技术。从高分辨率遥感图像中进行目标提取及场景分类是计算机视觉、遥感等领域的研究热点。由于高分辨率遥感图像普遍存在图像尺寸较大、目标较小和背景复杂的情况,传统的方法在进行遥感图像分割及场景分类时,主要依赖灰度、颜色、边缘和纹理等底层特征,容易受到目标遮挡、阴影等影响,导致分割及分类性能较差。而深度学习模型拥有自动从海量图像中提出特征的能力,使得基于深度神经网络的图像方法应用于遥感图像处理领域已成为一种趋势。根据以上分析,本文对深度学习图像分割理论及图像场景分类理论进行研究,探索将卷积受限玻尔兹曼机用于遥感图像分割及场景分类的方法。具体的研究内容如下:（1）针对传统分割方法中分割结果易受目标遮挡和复杂背景影响的问题,提出了结合卷积受限玻尔兹曼机的CV（Chan Vest）分割模型。即在CV模型分割方法中引入与目标形状相关的先验知识,采用生成式模型--卷积受限玻尔兹曼机对目标形状建模及生成目标形状,以此为先验信息对演化曲线加以约束,指导图像分割。在遥感数据集Satellite-2000和Vaihigen上的实验结果表明:本文提出的结合卷积受限玻尔兹曼机的CV分割模型在训练数据有限,形态各异,尺度变化较大的遥感数据集中依然能取得较理想的分割结果,且在复杂场景下得到目标结果更完整。具体而言,相较于CV模型,所提模型在Satellite-2000和Vaihigen这两个数据集的测试集上的平均全局精度（Global acc）值分别提高至97.670%、以及91.769%。在Satellite-2000和Vaihigen这两个数据集的测试集上的平均交并比（IOU）值分别提高至 92.685%以及 86.769%。（2）针对遥感影像复杂背景下,远距离成像的小目标分割问题,即针对大小少于2000像素的目标,提出了结合边缘和卷积受限玻尔兹曼机的CV小目标分割模型,该模型采用深度学习的形状建模方法来提取目标形状特征,并结合Canny算子提取的边缘信息,经过符号距离变换得到含有边缘约束的目标形状,以此为先验信息再次送入模型中得到分割结果。在遥感数据集Levir-oil、Levir-ship和Levir-airplane上的实验结果表明:本文所提出的小目标分割模型可以克服传统分割方法对噪声敏感的缺点,且在训练数据有限的情况下也依然能够快速且精准的分割出目标。具体而言,相较于CV模型,所提模型在Levir-oil drum、Levir-ship和Levir-airplane三个数据集的测试集上的平均Global acc值分别提高至98.654%、97.936%以及 96.628%。在 Levir-oil drum、Levir-ship 和 Levir-airplane 三个数据集的测试集上的平均IOU值分别提高至95.328%、94.140%以及92.425%。（3）针对高分辨遥感场景分类任务中训练样本缺乏,模型得不到充分的训练导致分类性能不佳的问题,提出基于卷积受限玻尔兹曼机的遥感图像场景分类模型,采用预训练微调的模型并结合softmax分类器,实现判别图像场景类别的目的。通过与直接训练的模型在遥感数据集WHU-RS19上进行实验对比,结果表明通过预训练微调的模型有效的提高了场景识别的分类精度,即使在数据集训练样本有限的情况下也依然能取得较高的识别率。