遥感图像来自非接触式传感器对地面的远程探测。基于遥感图像上的光谱等低级特征,可以生成专题图以直观反映地物的空间分布,这一过程称为“遥感识别”或“解译”。由于具有实时性、低成本的优点,遥感识别技术在农业、林业、军事、环境等领域得到广泛应用。林地是一种重要的遥感识别目标,但是其准确识别仍面临一定的困难。首先,由于林种和生长环境的差异,不同地域的林地呈现出不同的图像特征,产生同物异谱现象;其次,受到孤立树木和林地间隙的干扰,细小错分频繁出现。这种现象一方面降低了识别准确性,另一方面使得生成的专题图图斑变得破碎,充满噪声。针对同物异谱现象和图斑破碎现象,本文提出基于深度学习的多林种遥感识别方法,主要工作如下:首先,分析中国林种分布特点并采集多林种数据集,该数据集涵盖了中国常见林种的图像特征。其次,设计基于深度学习的林地识别模型。模型由res-net和res-u-net两个网络级联组成,在对res-u-net的输出进行二值化以生成专题图时,所用阈值根据res-net的输出动态计算得到,从而提升专题图的准确性和连续性。为进一步提升专题图连续性,本文在res-u-net中引入了“多尺度连接”结构,从而提升图像识别的感受野。最后,使用多林种数据集训练模型进行林地识别,并选取度量指标评价林地识别结果的准确性和连续性。实验结果表明,本文模型经过训练能够识别不同地域、不同林种的林地,且所生成的专题图在准确性、连续性方面优于单一 res-u-net模型。因此,数据采集方法及级联模型结构具有可行性,适用于多林种的遥感识别。本文方法能够有效消除专题图上的孤立图斑和空洞,对于林地等面状地物的遥感识别具有参考意义。