随着人工智能相关技术在近几年的飞速发展,深度学习在很多领域取得了突破性成果。其中卷积神经网络依靠其局部特征提取、参数共享、全局池化等特点在图像模式识别领域取得了较为突出的成绩。在遥感影像处理领域,基于卷积神经网络的遥感影像分类是目前的研究热点之一。其分类精度较高,泛化能力较强。但同时也存在着一些问题。在模型构建方面,用于分类的卷积神经网络模型的网络层次结构很少被直接调整,而是采用经典卷积神经网络模型对分类样本进行特征提取,再结合传统遥感影像分类模型进行分类工作,对卷积神经网络结构调整及迁移学习在遥感影像分类中的相关研究及应用较少。同时,由于遥感影像的多样性,模型通常针对特定遥感影像的特征进行调整,而国产遥感影像应用广泛,却鲜有针对其特征设计的自动分类模型。卷积神经网络的超参数调整对分类精度有较大影响。大多数超参数调整都可借鉴普通图像分类任务的调整方式,但遥感影像分类中较为特殊的超参数——输入尺度的调整方式尚不明确。基于以上问题,本文主要对遥感影像分类模型构建,以及输入尺度对分类精度的影响规律两个内容进行研究。具体如下:1.针对遥感影像的特点,考虑影像的空间分辨率、波段等特征,再结合卷积神经网络的输入数据维度,调整卷积神经网络中各超参数以改变模型中各层次结构间特征图的维度,构建基于卷积神经网络的高空间分辨率遥感影像分类模型。利用构建的高空间分辨率遥感影像分类模型对经过预处理的高分二号卫星遥感影像进行分类与精度评价,再采用迁移学习策略对遥感影像局部区域进行分类。将分类结果与其它经典模型进行比较。结论如下:(1)针对遥感影像特点对卷积神经网络模型进行修改后,在遥感影像分类任务中能取得较高总体分类精度。在六种地物类别的分类中,达到了92.9%的总体分类精度,高于本文采用的其它传统遥感影像分类方法及经典的卷积神经网络分类模型。(2)采用迁移学习方法训练模型能取得较好效果。能够有效解决全局模型对局部遥感区域分类精度不高的情况。对局部区域采用迁移学习策略,采样精度评价的总体分类精度为85%左右,远高于不采用迁移学习策略直接进行分类得到的71%的分类精度。2.对基于卷积神经网络的遥感图像分类中较为特殊的超参数——输入尺度进行研究。以针对遥感影像特征进行充分调整后的模型为基础,在其上增删若干卷积层形成新的模型。利用以上模型对三种不同空间分辨率的遥感影像数据集在各个输入尺度下进行训练和分类,寻找能获取最高分类精度的输入尺度。该输入尺度被称为“最佳尺度”。根据“最佳尺度”随着模型卷积层数量和待分类遥感影像数据集的空间分辨率变化的情况,总结规律,为在类似情况下快速调整输入尺度以提高分类精度提供参考意见。结论如下:(1)输入尺度对模型的分类精度有影响,存在最高分类精度对应的输入尺度,即“最佳尺度”。可以通过调整输入尺度达到“最佳尺度”以进一步提高分类精度。(2)在三种高分辨率遥感影像中,最佳尺度随模型卷积层数量的变化而变化,卷积层数量越多,最佳尺度越小;最佳尺度受待分类的遥感图像的空间分辨率变化的影响较小。输入尺度的变化对分类精度的影响可通过增加模型卷积层深度来减小,进而提高模型稳定性。