遥感图像场景分类有利于对海量的高分辨率遥感影像的语义内容进行解译,并能提供相关信息指导目标识别和目标检测等实际问题。分类的准确性直接决定了遥感图像场景解译质量的高低。近年来,卷积神经网络(Convolutional Neural Network,CNN)因其能提取抽象、高阶的特征而广泛应用于图像分类中。本文针对常见的遥感图像场景分类方法中难以克服复杂的人工特征提取、场景图像类内差异性和类间相似性等问题,提出了一种基于卷积神经网络的遥感图像场景分类方法,以及一种克服场景图像类内差异性和类间相似性的解决方法,并研究了两种传统卷积网络模型的改进方法。具体内容如下:(1)本文重点介绍了传统卷积神经网络的基本结构和训练过程。并依据具体实验因素,通过改变卷积网络的结构、卷积核数量、网络训练时的学习率和批量数据大小(Batchsize)等参数进行实验,研究其对遥感图像分类效果的影响。选取了合适的卷积网络结构和网络训练参数,并与常用的场景分类方法以及增加了 Dropout层的模型进行比较,进行了可视化分析,证明了传统卷积神经网络模型应用于遥感图像场景分类上的可行性。(2)利用卷积神经网络的分类能力,从场景图像中提取特定目标并进行识别,依据目标类别判断所属场景类别。本文对海洋、港口和江河这三类难以区分的场景中的船只目标进行提取和识别,利用提取的船只类型信息对场景类别进行判断和修正,为克服遥感图像场景分类时的类内差异性和类间相似性这一难点提供了新思路。(3)在传统网络模型上提出了两种算法改进方法:一种改进方法使用PReLU函数代替了卷积神经网络常用的ReLU激活函数;另一种方法则是针对数据集较小这一问题,首先将模型在较大的数据集上进行预训练,再用特定的数据集对模型进行精调的方法。本文选取了 AlexNet和GoogLeNet网络模型,并使用遥感图像场景分类数据集对模型进行精调。通过实验,两种方法较传统卷积模型,分类准确率都有一定提升。