随着能源危机和环境污染问题日益加剧,在政府相关政策的推动下,我国涌现出大量的光伏电站。利用遥感技术快速、自动获取光伏电站及其动态变化信息对于政府管理部门具有重要的经济、社会和生态效益,如土地资源的合理使用、能源利用、实现贫困人口预测和环境保护等。自动提取人工地物是遥感影像智能分析和模式识别领域重要的研究内容。但是,由于遥感成像过程和环境的复杂性,地物光谱普遍存在“同物异谱”、“异物同谱”等不确定性问题,给传统基于光谱统计分布特性进行地物提取的算法带来了严峻挑战,导致许多算法泛化性能不足;深度学习尽管在影像场景识别领域展现出巨大的应用潜力,但是现实中的小样本数据仍是其面临的主要困扰。基于此,论文从光谱匹配、多共性特征联合和场景识别的角度入手,利用支持向量机、卷积神经网络等机器学习算法进行光伏电站的提取研究,特别是针对大尺度、不同地理位置和不同成像时刻的遥感影像光谱亮度值差异(数据偏移)给电站提取带来的难题,进行了大量的试验分析并改进了相关算法。论文主要研究成果如下:(1)根据不同空间位置、不同时相影像上光伏电站的光谱曲线特征,利用指数阈值法进行提取试验;之后介绍了分类、聚类算法的优劣势,并提出了一些改进策略。通过分析地物提取和分类的差异,针对最佳指数(OIF)与一类支持向量机(OC-SVM)结合在提取地物时存在的不足,提出了一种改进的最佳指数(MOIF)用于影像波段特征的选择。试验表明:与传统算法相比,文章中改进算法的精度得到明显提高。(2)辅助结构和纹理特征进行电站识别,分析空间派生特征在中等分辨率遥感影像地物提取中的有效性。针对光谱角在提取地物时存在的一些问题,文章在充分挖掘更深层次特征的基础上,引入机器学习算法的优势,利用特征的互补性进行光伏电站提取试验;此外,对于数据偏移给时序和大尺度遥感影像处理带来的挑战,尝试利用多共性特征联合的思路对该问题进行探索。试验表明:与传统提取算法相比,改进算法在泛化性能、抗噪性等方面存在明显优势。(3)场景复杂、信息丰富的图像需要高层次特征进行高效表达以利于识别,近年来深度学习成为解决此问题的有力工具。但设计新的深度学习模型较为困难,且需要海量的样本进行训练,这在现实应用中往往是较难满足的。论文选取已有卷积神经网络(CNN)为分类器,以中等空间分辨率影像上电站场景识别为例,引入迁移学习解决小样本问题,研究了小样本条件下CNN识别复杂光伏电站场景的能力及影响因素。试验表明:迁移学习能够有效解决现实中的小样本问题,CNN对于背景掺杂、明暗变化、尺度变化、遮挡干扰、类间同质和类内异质的不同影像场景展示出强大的识别能力。