海冰占全球海洋面积的5%—8%,是极地海域和某些高纬度区域最突出的海洋灾害。我国每年都会有结冰现象出现,曾多次出现严重冰情,造成航运中断、钻井平台塌陷,船舶受损等严重海冰灾害,加强海冰灾害监测非常必要。海冰监测与分类研究在预防海冰灾害方面具有重要的意义。深度学习是在神经网络的基础上叠加隐层层数的一种学习网络,卷积神经网络是目前该框架研究较深入、应用较广泛的算法。它是模拟大脑通过多层神经网络建立学习机制,从低层向高层逐级提取抽象特征,是解决复杂图像识别分类的有效方法之一。本文分别分析了卫星遥感海冰监测、分类的传统方法,和卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决卫星遥感海冰数据分类问题,主要研究内容如下:(1)以Tensor Flow为框架搭建卷积神经网络,以HY-1C和RADARSAT-2卫星获取的渤海海冰图像作为研究数据,分别用光学遥感图像和SAR图像制作样本集对CNN模型展开训练、测试和识别验证研究。其识别结果显示:CNN模型在光学遥感海冰图像分类中,训练精度为93.1%,测试精度为90.8%;微波遥感海冰图像分类中训练精度为97.6%,测试精度为94.7%。模型表现都较好,其中微波遥感海冰图像的验证识别结果相对更加清晰准确。证明了CNN模型在光学遥感海冰图像分类识别和微波遥感海冰图像分类识别中都具有适用性和可操作性。(2)基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与RELU激活函数为最佳的组合,进一步验证了CNN在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;在整个渤海海域的识别实验中,分别展示了20×20、40×40、80×80共3种不同窗口尺寸的识别结果,发现随着窗口尺寸的增大,图像分辨率越来越低,识别结果越来越粗糙,但整体上3种窗口的识别分离效果都较好,与目视结果基本一致。最后又对不同尺寸在实际操作中的应用进行了讨论,可根据任务需要,研究区域尺度,遥感图像分辨率等,相应调整样本采集的窗口尺寸,以达到预期目的。