地表覆盖是研究地球生态环境,土地管理,可持续发展的重要基础数据。无论是在人文经济还是地球生态环境领域,研究地表覆盖变化都有重要意义。遥感是我们获取地表覆盖信息的重要手段,通过遥感影像我们能够获取当时的地表信息。通过遥感影像解译,获取我们需要的知识。传统遥感影像解译方法包括目视解译,模式分类和图像分割。传统方法一般是通过地物自身光谱,纹理,形状等信息进行地物类别的判断,这种分类标准无法解决同谱异物,混合像元等问题,这种现象在中低分辨率影像上更加明显。因此,如何通过分类器选择和提取影像更深层次的有效特征,是目前研究遥感影像分类的重点和热点。近年来,卷积神经网络在计算机视觉领域获得了很多重大的成果。卷积神经网络能够利用卷积层和池化层自动提取光谱形状等低阶特征,使用全连接层将低阶特征组合成高阶语义特征,通过反向传播算法优化神经元参数,得到一个完整模型。与传统分类方法相比,卷积具有更强的特征提取和表达能力,具有更高的容错率。考虑到卷积神经网络的这些优点,本文将卷积神经网络模型引入中分辨率遥感影像的分类中,并提出了一种面向对象的卷积神经网络模型,实现了对Landsat8影像的分类。总的来说,本文对以下几点展开了研究:(1)卷积神经网络应用于高分辨率影像分类的输入通道一般都是RGB三波段数据。针对Landsat8的b1-b7七波段影像,本文引入遥感图像增强方法,首先对Landsat8七波段数据进行了主成分变换(PCA),得到三个特征波段,然后分别计算归一化植被指数(NDVI),归一化建筑指数(NDBI),归一化水体指数(NDWI)三个特征指数,并将这些特征波段与Landsat8真彩色影像进行波段组合,得到多个通道的输入数据,丰富影像输入的特征空间的同时,探究不同的输入通道对分类结果的影响。(2)目前常用的场景分类模型有VGGNet,GoogLeNet,ResNet,输入窗口大小为224×224,如此大范围的窗口显然不能作为中分辨率影像的输入。为了使卷积神经网络模型能够应用于Landsat8影像分类中,本文缩小了卷积邻域窗口的尺寸,使用21×21、15×15、11×11、7×7四个不同的邻域窗口作为模型的输入窗口,研究不同邻域窗口对分类精度的影响。(3)面向对象是目前高分辨率影像分类常用的方法,面向对象的分类会对地物的光谱、形状、纹理等特征进行综合考虑。本文首先探究不同的分割参数对Landsat8影像分割结果的影响,并将面向对象的方法与卷积神经网络结合,提出一种面向对象的卷积神经网络分类方法(OCNN),计算混淆矩阵,与原卷积神经网络分类结果进行对比,解决了“椒盐”问题,得到了更高的分类精度。