遥感影像包含丰富的地物信息,是地物整体面貌最直观的表现,对遥感影像的特征提取是研究目标地物、获取地物信息的最基本操作。通过所提取的影像特征信息对影像进行分类识别则是获取目标地物信息更进一步的研究,这对城市规划、灾情监测、生态环境评价等具有重要意义。常用的遥感影像分类识别方法主要有人工目视解译、监督分类与非监督分类、专家系统法、神经网络法等,这些方法能解决一些分类识别问题,但随着科技的不断进步,高分辨率遥感影像、高光谱遥感影像相继出现,影像的空间分辨率越来越高,光谱通道数也更多,信息维度更高,包含的信息更加丰富,分类识别的难度也越来越大。深度学习是近年来出现的一种机器学习方法,它可以自动学习大量历史数据深层本质特征和规律,从而对新数据进行识别、判断或对未来做出预测,可以在一定程度上提高分类识别的精度。因此,使用深度学习方法对遥感影像进行分类研究具有重要意义。虽然深度学习在遥感影像分类领域有所应用,也取得了较好的成果,但同时也出现一些问题,如易陷入局部最优解、手动调试参数耗费人力和时间等。此外,以往使用深度学习方法对某些数据集进行分类研究时,常使用深度学习中的卷积神经网络模型,很少使用其他深度学习模型,如自动编码器或其变体模型等,这使得该类深度模型在这些数据集上的分类性能还不甚清楚。本文使用Aerial Image Dataset(AID)数据集和UC Merced_LandUse数据集,以Matlab(R2016a)为实验平台,将深度学习应用于遥感影像分类,对分类过程中出现的陷入局部最优解,需要人工调试参数等问题进行研究,并对自动编码器的变体模型在UC Merced_LandUse数据集上的分类性能进行探讨,同时对分类精度进行改善。文章首先提出一种自适应的参数(学习率)设置方法,通过构建具有模拟退火思想的层叠去噪自编码模型,以避免局部最优和实现自动调整学习率参数的目的;其次,首次测试自动编码器变体模型中的层叠去噪自编码器模型在UC Merced_LandUse数据集上的分类效果,并提出一种基于多特征的层叠去噪自编码算法来改善分类精度。主要研究内容如下:(1)针对深度学习在遥感影像分类时出现的容易陷入局部最优解和手动调参过于耗费人力物力、收敛慢、效率低等问题,本文提出一种具有模拟退火思想的学习率自适应策略,通过给学习率参数赋予一定比例,使模型在学习时能自动调整学习率,从而获得更好的学习结果。在设置最优参数和隐含层节点的情况下,构建具有该策略的层叠去噪自编码模型,以此对影像进行分类识别研究。实验结果表明,该策略能有效避免局部最优解并解决人工调参带来的不便等问题,节省了时间和人力、物力资源,并且能够提高分类精度。(2)针对以往使用深度学习方法对UC Merced_LandUse数据集进行影像分类时,常使用卷积神经网络、较少使用自编码器或其变体模型这一状况,本文选择自编码器变体模型之一的层叠去噪自编码模型对UC Merced_LandUse数据集进行分类测试,验证其适用性;并提出一种基于多特征的层叠去噪自编码分类算法,提取UC Merced_LandUse影像的颜色特征、纹理特征、形状特征以及尺度不变特征变换特征并将其整合作为模型学习依据和分类依据,以此来改善分类精度。实验结果表明,该方法能够改善分类精度,基于该方法的层叠去噪自编码模型对UC Merced_LandUse数据集也具有一定的分类能力。