全球变化背景下粮食安全是人类社会可持续发展的核心问题,全球农田的分布格局及其演变特征的准确评估是保障粮食生产的基础。目前通过多源遥感卫星反演和统计调查初步掌握全球农田的分布特征,但高度精度的农田空间分布状况制图仍然缺乏,而且现有数据在区域尺度上有较大差异,限制了对全球和区域作物产量评估以及粮食产量测报精度的提升,从而使得粮食安全问题具有较大的不确定性。因此有必要通过创新方法,构建具有高精度农田识别与分类能力的应用系统,系统开展相关研究与应用。本论文基于高分遥感图片数据,系统构建高分辨率影像识别与分类平台框架,并在黄土高原、宁夏灌区得到成功应用。该框架基于TensorFlow深度学习框架,通过迁移学习,从Inception-v3网络结构中提取除分类器外的卷积与池化层结构,结合Logistic regression分类器方法,实现高分遥感图片数据特征提取、分类器训练和识别图片等关键技术,同时发展了一种可以从大规模高分辨率影像中自主学习影像本身特征的核心方法。本研究训练与识别区域应用案例结果表明,分类精度为0.74,本研究的系统框架具有较好的应用前景。本研究也进一步表明随着分布式并行运算框架与深度学习的不断发展,深度学习在对海量高分辨率遥感影像识别和分类方面,可提升分类精度和分辨率不足等方面的问题。在后续的研究中将进一步完善系统框架,增强农田格局和识别农田分界,实现高精度农田制图及其应用,为保障粮食安全提供技术支撑。