土地利用信息数据是进行国土资源管理的基础和重要依据,随着我国经济水平快速发展,城市化进程不断推进,土地资源利用的问题逐渐凸显,开展土地利用资源调查与研究有着重大的现实意义。土地利用调查涉及的范围广、信息量大,遥感影像数据以其快速、准确、覆盖广和获取方便等优势成为土地利用信息调查最高效的数据源。20世纪90年代以来,高分辨率遥感技术发展迅速,更高的空间分辨率带来了更丰富的空间信息、地物几何结构和纹理信息等其他细节信息,在推进土地利用调查应用的同时其复杂性也给自动化信息提取方法带来了前所未有的挑战。传统的目视解译和基于像元的分类方法已经不再适用于高分辨率遥感影像,目前应用较为广泛的面向对象分类也存在空间特征利用程度较低、特征选择存在局限等问题,无法适应日益增长的土地利用信息提取需求。近年来,深度学习在计算机视觉以及模式识别等领域发展迅速,深度卷积神经网络具有强大的图像特征抽象和自动提取能力,已经成为图像处理领域非常有效的方法和手段。在此背景下,本文总结国内外相关研究理论和应用成果,将深度卷积神经网络方法引入到土地利用信息提取中来,具体的研究工作主要有以下四个方面:（1）通过分析高分辨率遥感影像地物和土地利用信息的特点,阐述了高分影像中实现土地利用场景分类面临的问题,并结合深度卷积神经网络特征提取感受野的原理,提出多尺度特征学习是深度网络应用到土地利用信息提取中的关键点。（2）综合全卷积和残差网络结构的优势,基于编码器-解码器架构提出了Resnet-FCN网络模型,通过残差模块构造100层编码模块,通过跳跃连接的方式整合网络不同尺度的特征图层,并利用反卷积实现端到端的像素级分类网络。（3）进一步将多尺度学习融入到深度卷积神经网络,提出了MSNet网络模型。通过并行输入实现输入图像的多尺度学习,然后通过膨胀卷积实现网络最后一层特征图像的多尺度学习,提升了网络分类性能。（4）以浙江省0.5m分辨率的光学航空遥感影像为数据源,标注了1170幅影像作为训练和测试数据集,分别验证了本文提出的两种深度卷积神经网络模型,并且与传统FCN方法和基于SVM的面向对象方法进行对比分析。通过实验分析来看,本文提出的融合多尺度学习的深度卷积神经网络方法提取精度更高、场景整体性更强,相比传统方法有了较大的提升,并且更加适合遥感大数据环境下的土地利用信息提取。