地表覆盖分类是对地表具有不同特征的地物影像的分割复合数据[1],与土地利用有所不同,其倾向于对地物的自然属性的描述[2]。地表覆盖分类已成为地理国情监测、土地资源管理等诸多领域的重要基础数据[3]。随着遥感影像地表覆盖分类数据需求与日俱增,其数据量大,更新周期快及影像源光谱信息有限[4]等特点限制了其大规模自动化生产及评价。相应地,在实际质量评价过程中,仍依赖人工目视判读等方式[5]。目前在国家级测绘工程项目中对遥感影像分类产品的自动化质量评价方法的需求十分迫切。在实际需求驱动下,国内已有相关项目开展了对地理信息产品自动化质量评价技术方法的研究。在对遥感影像分类产品自动化质量评价的研究中,已有项目的研究思路一般以逐像素分类为基础,而实际上现有分类产品一般由人工目视判读进行生产,因此在应用上会出现以低精度为基础检验高精度产品的情况。卷积神经网络作为一种计算机视觉方法,可直接通过影像数据整体给出融合多个尺度的分类结果[6],这为构建地表覆盖分类质量评价的自动化方法提供了基础。本文结合深度学习相关理论、卷积神经网络具体方法和地表覆盖分类质量评价开展了一系列研究及对比实验。开展的主要研究及工作包括如下几个方面:(1)编写自动化图斑采集程序并构建适用于卷积神经网络训练及验证的遥感影像数据集。在此基础上,对卷积神经网络用于遥感影像地表覆盖分类自动识别的有效性进行验证。随后通过真值数据集开展对比实验,对网络的模型、超参数及算法组合进行对比并搭建了适用于本文目的的网络。(2)以地理国情普查数据为基础,训练了可对0.5~2米像素分辨率范围内的卫星、航拍影像进行有效分类的卷积神经网络模型结构及预训练模型。(3)基于本文卷积神经网络方法,提出地表覆盖分类自动量化评价方法。以图幅为评价基本单元,对单一地类图斑评价有效性及混合图斑的评价策略进行研究及实验验证。最后,结合具体遥感数据对本文方法进行实验验证并结合实际效果对评价方法进行完善。本文初步形成可对DOM-DLG套和的地表覆盖分类数据进行自动质量评价的技术方法,实现了对存疑图斑的筛选及对整幅影像的量化评价等功能。