遥感图像数据的获取与处理已进入了大数据应用时代,准确地从不同类型数据中获取有用信息是遥感大数据处理及应用的核心内容。其中,遥感图像的分类与识别是其重要的应用领域。传统的遥感图像分类技术已无法胜任遥感大数据处理的新要求和任务。近年来发展的深度学习技术,在图像模式识别中获得了成功的应用,尤其在人机大赛中取得了佳绩。本文为解决遥感图像大数据的分类和应用问题,利用深度学习中的全卷积密集卷积网络(FC-DenseNet)以及基于空洞卷积(AC)、空洞空间金字塔池化(ASPP)和条件随机场(CRF)技术的DeepLab系统及改进的DeepLabV3模型对遥感图像分类问题展开了研究,并提出了基于梯度优化理论的FC-DenseNet和DeepLabV3两个模型。本文主要工作和内容如下:(1)建立适用于深度卷积神经网络分类训练的舰船遥感图像数据集,为深度学习模型的训练、测试和预测提供数据。同时,针对某些地物目标或区域数据量较少的问题,提出用数据增强的方式对少量数据进行扩充处理,使数据集达到满足深度卷积网络模型训练的要求。(2)对FC-DenseNet、DeepLabV3和DeepLabV3+等三个深度卷积分类模型进行了深入探讨和分析,设计了舰船遥感图像、INRIA航空遥感图像和城市遥感图像的分类实验。研究结果表明,深度卷积学习方法可以实现对遥感图像进行有效分类,并能获得较好的实验效果。(3)通过梯度下降优化算法提出了两种改进的优化模型,即优化的FC-DenseNet模型和DeepLabV3模型,并用前面建立的舰船遥感数据集和INRIA航空遥感图像数据集进行了测试实验。实验结果表明,在不同的梯度下降优化算法中,均方根反向传播(RMSProp)优化算法比自适应矩估计(Adam)算法、自适应学习速率(AdaDelta)算法和自适应梯度(AdaGrad)算法好,具有更好的鲁棒性和收敛性。