本研究以高分辨遥感影像(GF-2)作为数据源,探究深度学习算法和不同的影像分类方法对林地类型分类的影响。在研究中,以深度学习算法-卷积神经网络模型(CNN)和传统的机器学习算法作为基础,根据模型输入数据结构不同,将基于高分遥感影像林地类型分类的方法细分为基于像元(pixel-based),基于图像斑块(patchbased),面向对象(object-oriented)以及基于对象(object-based),对算法模型结构进行设计,探究不同参数对分类算法的影响,并从分类的精度和分类效率的角度对四种分类方法进行比较。主要研究内容和结果如下:(1)在基于图像斑块分类方法的中,本研究探讨了以不同图像斑块大小(M)作为输入的卷积神经网络模型对分类精度和分类效率的影响。实验结果表明,当图像斑块大小(M)设置为45时,卷积神经网络模型达到最高总体精度,并且此时卷积神经网络的参数量较少,因此模型在训练和预测阶段也表现出较高的分类效率。(2)研究中提出的基于对象的分类方法是面向对象和基于图像斑块方法的结合,因此该方法的分类精度和分类效率受到图像斑块大小(M)和分割尺度因子(S)的共同影响。实验中,通过网格搜索,得出当M和S分别为45和30时,基于对象方法的总体精度达到最高,且由于影像分割形成的分割对象数量较少,模型在预测阶段所消耗的时间也较少。(3)对比四种分类方法精度,基于对象分类方法的总体精度为90.92%,Kappa系数为0.8940,其分类精度高于基于像元(72.26%,0.6761),基于图像斑块(89.54%,0.8778)以及面向对象方法(82.97%,0.8097)。在分类效率对比方面,经过GPU加速后,基于对象的分类方法在模型的训练和预测阶段所消耗时长较基于图像斑块、面向对象以及基于像元的时长要短,效率增益明显。研究结果表明:与面向对象、基于像元和基于图像斑块分类方法比较,基于对象的分类方法能够通过卷积神经网络自动提取影像高级深层次光谱和空间特征,并且减少模型的推断时间,从而在分类精度和分类效率方面都有较好的表现。