大尺度多时相地表覆被分类是遥感信息提取的重要研究方向,对地表覆被调查、城乡规划、地表变化监测、地表信息统计分析等具有重要的应用价值。在遥感大数据时代,深度学习技术完全基于数据驱动,运用机器取代人工,实现智能、快速、高精度的地表覆被分类。本文致力于研究基于深度学习的大尺度多时相地表覆被分类方法。目前基于深度学习的大尺度多时相的地表覆被分类方法存在三个主要问题。（1）特征优化问题:深度卷积神经网络中的特征表达非常复杂,而针对遥感数据的特点设计特征优化算法是遥感深度学习需要解决的难点问题。（2）模型泛化与一致性问题:大尺度与多时相分类对应空间与时间维度上的遥感大数据特点,利用数据驱动的深度学习模型来建立遥感大数据特征表达关系时,无法避免会遇到模型的泛化问题与分类结果的一致性问题。（3）遥感深度学习框架问题:目前没有针对遥感数据特点开发的遥感专用深度学习框架软件,借用计算机视觉领域的深度学习框架无法解决上述特征优化问题和模型泛化与一致性问题。因此,本文以基于深度学习的大尺度多时相地表覆被分类方法研究为核心,具体从五个内容展开深入研究。（1）深度卷积神经网络特征融合增强方法研究。在特征优化问题中,存在特征融合增强子问题,经典语义分割网络没有考虑到遥感领域存在的多分支特征表达混乱以及多级特征表达混乱的问题。为了解决该问题,本文基于注意力机制的多分支特征融合方法与多级特征融合方法,提出一种注意力融合网络模型,作为全文研究的基准网络模型。（2）大尺度区域优化训练方法研究。在模型泛化与一致性问题中,存在大尺度模型泛化子问题,在对大尺度范围复杂地理场景进行地表覆被分类时,存在模型特征表达能力不足导致的结果泛化能力下降问题,并且由于类别不均衡导致劣势类别被入侵。为了解决该问题,本文在注意力融合网络基础上,进一步提出一种分区域训练多模型集成方法,以及劣势类别独立训练模型集成方法。（3）中分辨率地物特征细节优化方法研究。在特征优化问题中,存在特征细节优化问题,在对中分辨率影像进行地表覆被分类时,小目标地物容易被漏检,不同地物类别边界精度较差。为了解决该问题,本文在注意力融合网络基础上,进一步提出了块重排结构、超像素分支、自提升方法,构建了超像素优化的块重排网络模型。（4）多时相变化特征约束与推导分类方法研究。在模型泛化与一致性问题中,存在多时相特征稳定性子问题,从大尺度扩展到多时相地表覆被分类时,经典语义分割网络没有考虑到多时相变化特征的约束与优化,多时相分类结果的稳定性和一致性较差。为了解决该问题,本文在注意力融合网络与块重排网络的基础上,进一步提出了多时相分支网络架构与逐元素注意力特征增强方法,以及训练/预测交替推导式策略。（5）遥感深度学习框架研发。目前遥感领域没有专用的深度学习框架软件,但是遥感数据具有自然图像没有的特殊性。为了充分挖掘遥感数据中的信息,解决以上特征优化问题和模型泛化与一致性问题,本文研究了针对遥感数据设计的深度学习框架,并作为大尺度多时相地表覆被分类方法研究的基础软件支撑。本文采用了国际公开标准数据集作为算法精度基准测试,采用超大数据量的全国尺度高分1号卫星影像作为大尺度模型泛化测试,采用多时相全国尺度Landsat卫星影像作为多时相特征稳定性测试。本文各项研究内容的实验设计、方法验证以及应用分析均基于以上三个数据集。相较于计算机视觉经典语义分割网络模型,本文提出的地表覆被分类网络模型在大尺度多时相场景中,取得了对应的技术突破,解决了对应的难点问题,实现了模型算法性能和分类效果的提升,完成了1985-2020年八期中国主要陆地区域地表覆被分类,总体精度达到了95%以上,验证了基于深度学习的大尺度多时相地表覆被分类新方法的有效性、稳定性与一致性,具有很强的泛化能力。本文提出的模型方法以及实现的大尺度多时相地表覆被分类结果可以生成专题产品,有助于分析研究地表覆被变化情况,并能够应用到城市扩张、农田变化、地质灾害监测、生态环境保护、湿地监测、森林防护等场景中,具有非常重要的应用价值。