光学遥感图像解译作为遥感地物分类、检测的重要研究分支,从早期的单一特征挖掘、特征提取、特征级分类处理阶段,研究者们将普通光学图像解译的手段迁移到光学遥感图像数据,一定程度上提高了分类精度、拓宽了光学遥感图像的实际应用领域。然而,光学遥感图像相比普通的光学图像具有更为丰富的表征信息,单一的底层特征难以满足现实场景的多样性,传统的特征挖掘分类方式存在底层特征覆盖不全面性、特征利用率较低、高层边缘特征捕获缺失、特征表达不够直观等问题。针对以上问题提出了一种高层特征提取和可视化的算法,通过与传统的底层特征处理算法和中层特征工程算法的对比分析,验证算法的可行性。具体研究内容如下:针对传统的底层特征和中层特征处理算法,本文采取改进型局部二值模式特征的编码方式来提高特征的有效性,同时筛选最优的特征级分类器来满足图像分类效果;结合流行学习算法来实现底层特征空间降维,捕获具有最高分类价值的特征信息空间,一定程度上提高特征的利用效率;在融合尺度不变特征的特征空间的基础上,结合超像素显著性特征来突出光学遥感图像的边缘特征信息,一定程度上弥补特征的不完备丢失。为了引入深度学习算法中的反卷积神经网络来提取高层特征,提出了基于高层特征的MDCNN网络,利用多层反卷积网络来提取目标光学遥感图像的的高层特征,然后将高层特征作为迁移网络的输入层进行训练,最后用分类器分类。在此研究基础之上,引入多层金字塔反卷积结构和软概率反池化,将软概率反池化嵌入到反卷积层的前端,提出了改进型MDCNN网络,有效地提高传统池化过程造成的信息丢失,同时在分类器前端采用空间金字塔结构来最大程度上保留高层信息空间。在Satellite、NWPU和UC Merced实验数据中对比测试,充分验证了该算法对光学遥感图像多类别分类具有良好的效果。从光学遥感实际应用角度出发,结合上述研究成果,提出并实现了一个可行的基于高层特征的光学遥感图像分类算法,实现遥感图像中地物解译以及分类识别,该框架的的网络可迁移性强,可视化程度高,具有较强的研究意义。