准确获取地面地物的信息,对人类生活中的各行各业都有着至关重要的作用。例如大范围的土壤盐渍化的发生,不仅会导致该范围内的土地质量急剧下降,而且还会造成耕地减产、水体污染,甚至造成生物多样性减少。因此高效准确地监测盐碱地的分布,对人类制定政策、采取措施来改善土壤盐碱化有着重要的意义。但随着遥感影像分辨率等质量的提高,地物类间差异大、光谱信息不丰富等缺点逐渐凸显,这为遥感影像准确高效的分类带来了巨大的挑战。目前,基于面向对象分类方法和机器学习算法两种分类方法在高分辨率遥感影像分类中最为常见,但是两种分类方法大规模应用起来费时费力,都需要人工选择和设定参数,而且机器学习算法模型结构太浅,无法提取深层次特征,难以获得比较满意的分类效果。深度学习分类方法在近几年异军突起,在图像识别领域大展身手,深度学习模型可以自动学习图像最深层次的图像特征,自动设定并不断优化分类规则,从而对图像执行高精度的分类,这为遥感影像分类工作带来了更高效准确的分类方法。但目前深度学习模型还未在盐碱地分类上进行应用,在较大尺度范围的应用也较少,因此本文研究了深度学习中的全卷积神经网络FCN-8s模型,以白城市盐碱地的分类为例,取得了以下的成果:1、以白城市的高分一号卫星PMS传感器4波段数据为数据集,搭建了全卷积神经网络FCN-8s,将最大似然分类图作为预训练数据,目视解译图来进行微调,训练后网络在测试数据集上得到了86.20%的精度;2、将最大似然法在测试数据上的表现与本模型表现相比较,分类精度提高了12.66%,并分析了两种方法的优劣,论证了本文使用最大似然分类图作为预训练数据的有效性;3、将数据计算出的NDVI值作为另一波段添加入数据集进行训练,分类精度比不加入NDVI降低了2%,从其原理以及分类效果上分析了精度降低的原因;4、将白城市研究区内大安市的影像全部处理后输入至网络,将所有分类图处理后成图,验证了本文所使用方法的有效性,证明了本模型可以在研究区内进行有效的利用。