遥感图像是指无人机、卫星等拍摄的图像。现代社会遥感图像越来越容易得到,但是土地规划、灾害防治与资源监控的问题仍然需要人类自己完成,遥感图像并没有被合理的利用。为此,需要研究出可以对拍摄的遥感图像上的物体进行识别、分割、对比的算法,让计算机代替人类解决这些问题。传统基于像素的算法不能很好地排除遥感图像上光照、天气等的干扰,也不能在地物密集的状态下进行很好的识别。因此,尝试将深度学习卷积神经网络应用在遥感图像上。我们将分割对比算法分为两步进行,首先区分出不同类型的地物,并标出其准确的边缘;然后以此得到的结果为基础进行比对分析。两步的结果都可以应用在不同的场合。为了实现遥感图像特有的多分类、多尺度、密集目标的识别与分割,并以此为基础进行变化检测,我们将改进传统卷积网络结构,采用“端到端”全卷积网络、跳越结构、稀松卷积核等;同时,采用多种数据增强方法,不但扩大了数据集,而且增加了物体状态避免了过拟合。通过大量的实验为我们的网络选择最合适的网络参数。改进后的卷积神经网络对大气、季节等干扰因素的容错性较好,对密集型地物的识别率较高,而且能够适应不同尺度的遥感图像。算法完成后,对性能和功能都进行了大量的测试实验,保证算法的稳定性和实用性。测试结果显示,在遥感数据的特定测试集上,分割的准确率平均达到80%以上。