基于遥感影像的土地覆盖分类在土地资源管理、城市规划、农业估产和环境保护等方面有重要的应用前景。目前,由于低、中分辨率的遥感影像有更大的幅宽,能覆盖大面积的地表区域,常被用于土地覆盖分类。然而,这些数据受到空间分辨率的制约,刻画地物细节的能力有限。近年来,遥感影像的空间分辨率不断提升,与低、中分辨率影像相比,高分辨率遥感影像能够提供更加丰富的纹理、形状和空间分布等地物细节信息,对精细地类识别有重要意义。然而,高分遥感影像成像幅宽小,在现有研究中,它们通常被用于某些小范围区域的分类。面向广域土地覆盖的高分辨率遥感影像分类问题尚未得到充分的研究。对于高分辨率遥感影像,特征是决定分类效果的关键因素。由于高分影像中的信息高度细节化,地物的结构复杂多变,手工设计的特征无法准确描述地物的属性,难以获得理想的分类结果。近期的研究表明,高层语义特征能极大地改善高分影像的分类性能,其中基于深度学习的方法受到广泛关注。虽然这类方法在高分影像的分类问题上获得了一定的研究进展,但要将其用于广域土地覆盖分类还面临着以下的问题:(1)绝大多数现有的土地覆盖分类数据集规模较小且多样性不足,无法充分反映真实地物的分布模式,难以用于设计与训练具有强泛化能力的深度学习模型。(2)虽然深度学习模型能从数据中学习高层语义特征,在一定程度上弥合特征表达和影像内容之间的“语义鸿沟”,但其固定的感受野约束了信息捕获的范围,对于高分影像上尺度变化造成的类内差异和类间混淆,它的判别能力受到限制。(3)广域土地覆盖分类通常用到来自不同时间、位置、传感器的遥感影像,不同的成像条件会造成影像间特征分布的差异,使分类模型无法互相适用。虽然深度学习模型具有较强的迁移能力,但它需要一定的标注样本对模型参数进行调整,在解决实际问题时效率低下。针对上述问题,本文从数据集构建、语义特征表达与分类、深度模型迁移三个方面展开了研究。研究内容及主要贡献概括如下:(1)本文利用高分辨率遥感影像构建了大规模土地覆盖分类数据集。该数据集被命名为Gaofen Image Dataset(GID),包含150景像素级标注的高分二号影像。这些影像覆盖我国60多个地区、超过5万平方公里。GID是目前最大的,分辨率达4米的大规模土地覆盖分类数据集,它可以为遥感领域研究提供高质量的数据支持,推动相关科学问题的发展。(2)本文提出了一种基于多尺度聚合深度特征的分类算法。针对尺度差异较大地物难以被正确识别的问题,该算法提取并聚合多尺度的深度特征以获得地物的上下文信息。在这些信息的基础上,对高分遥感影像进行格网分类,与此同时,利用多层级分割提取地物边界,而后将多尺度类别信息和地物边界信息相融合,从而实现对不同尺度地物的准确分类。(3)本文提出了一种基于深度语义关联的半监督迁移学习方法。针对分类模型难以适用于不同遥感影像的问题,该方法从无标注的待分影像中挖掘可靠样本以微调分类模型。具体地,利用已有标注样本训练深度网络,以分配伪标签的形式在待处理影像中寻找候选样本,通过标签语义相关性判断其是否可靠,将筛选出的可靠样本视作先验信息,实现模型的自动迁移。(4)本文在多源高分遥感数据上充分验证了算法的有效性。利用高分一号、高分二号、吉林一号、资源三号和哨兵2A卫星影像对本文所提出的算法进行了验证,实验表明,上述方法在多源高分遥感影像上均获得了优秀的土地覆盖分类效果。此外,本文利用高分辨率谷歌影像实现了武汉市区域的土地覆盖制图,这充分展示了本文算法在实际应用上的潜力。