土地资源是人类赖以生存与发展的物质载体,是“一切生产和一切存在的源泉”。对土地资源进行合理的利用,首先需要对地物进行识别分类,然后在此基础上进一步的合理规划土地资源。对国内外地物分类方法的探索与研究,在地物分类方面,基于高分辨率的可见光已经在地物分类上取得了一些成果。但是,由于地物复杂的光谱信息使得某些地物分类很难识别。极化合成孔径SAR具备全天时、全天候的获取遥感数据,它可以完整的记录地物的微波后向散射信息。结合光学和SAR数据的互补性,组合光学和极化SAR遥感数据的波段信息,对地物覆盖进行分类识别。本文对高分辨的可见光哨兵2号数据与高分三号数据进行多源数据波段的组合,来对研究区域进行地物的分类。论文的主要工作与研究成果如下:（1）数据集的制作,由宁夏遥测院提供的关于彭阳县3米分辨率的高分三号数据与相同区域的开源的哨兵2号数据。数据准备好之后,在ENVI5.6的SARscape插件下,对遥感影像数据进行了数据的读取、聚焦处理、多视处理、滤波处理以及地理编码和定标到最后的重采样等预处理,然后选择彭阳县地物丰富的区域（具有植被、建筑、水体、裸地等）进行剪裁和数据波段信息的组合。在进行预处理的过程中,因为固原市彭阳县的地势比较高,所以在预处理地理编码和定标中需要相应区域的DEM影像,在多次查询与搜集中在ENVI5.6的SARscape插件中下载到了相应的DEM影像,最后经过深度学习的方法对研究区域进行了裁剪与标注,为后续的实验做好充分的准备工作。（2）全卷积神经网络算法研究,本文的研究内容是基于像素级别的地物分类,根据模型的特点于是选择了 FCN和U-net模型进行实验与分析。FCN模型是从抽象的特征中恢复出像素的属性类别。相比较CNN可以提取到更多的特征信息,基于此本文选择FCN模型进行实验。因为人工制作的数据集是有限的,而U-net模型在少量数据集的情况下也可以得到很好的分类精度,所以选择了 U-net模型,U-net模型相比FCN在可见光的数据源上的精度提高了 0.4%,在SAR数据源上提高了 1.6%,在两种数据源协同作用下u-net提高了 1.1%。（3）改进的全卷积神经网络算法研究,在FCN和U-net方法地物分类实验分析中,虽然得到了较好的分类精度,但是在细节和边缘的分类上有所欠缺。细节信息的处理一般都是通过通道来改善的,所以在本文中提出SE模块,通过注意力机制来提高细节的信息,来突出有用信息的特征,然后在池化层中定位有用的信息来提高分类的精度。通过实验可以得到U-net+SE模型对地物的分类起到了提高的作用,相比较U-net和FCN模型在可见光与SAR协同地物分类的精度分别提高了 5.1%和6.2%。