遥感影像分类是遥感影像分析中最重要的问题之一。遥感影像分类在使用传统方法时需要对数据进行繁重的特征分析和提取工作,不仅对数据表示有相对严格的要求,而且各方法都有其特殊的应用限制。此外,由于遥感影像精度高,样本标注需要消耗大量的人力物力,制约了遥感影像分类研究的发展。针对传统方法的局限性,本文采用基于深度学习的方法对遥感影像分类进行研究。本文主要研究内容为基于FCN的网络改进（FCN-modify）,并结合主动学习技术解决由样本标注困难所带来的局限性问题。使用本文方法（FCN-modify+Focal loss损失函数）与FCN-8s、Seg Net和U-net进行对比实验。实验结果表明本文提出的方案与同类研究相比取得了更好的分类效果。围绕以上内容,本文进行了如下工作:（1）在传统FCN模型上,加入能够获取不同感受野的结构来获取不同尺度物体的特征,构建FCN-modify。同时针对样本分布不均衡的问题,本文提出以Focal loss损失函替代传统交叉熵损失函数,并对使用两种不同损失函数的FCNmodify进行对比分析。（2）针对样本标注困难、有效样本数量限制的问题,本文提出利用主动学习的方法对FCN-modify进行优化。（3）对比分析本文方法与传统的FCN、U-net、Seg Net模型在高分辨率遥感影像分类实验的结果,验证本文方法的有效性。使用ISPRS提供的在德国斯图加特市Vaihingen获取的影像数据集中的正射影像分别在FCN、U-net、Seg Net和FCN-modify上进行实验,得到FCN、U-net、Seg Net、FCN-modify和本文方法（FCN-modify+Focal loss）上总体分类精度分别为83.5%、83.8%、83%、86%和90.9%的结果,可以得出本文方法分类精度最高的结论,并且本文方法对小尺度地物如车辆,困难样本如背景都有很高的分类精度,对比其他模型有很大提升。本文适用于基于深度学习的高分辨率遥感影像的分类研究,通过在FCN模型中加入获取不同感受野的结构,使用Focal loss损失函数来提升分类精度。利用主动学习思想,优先选取困难样本进行模型训练,在有限系统资源情况下获得最优分类模型,克服传统方案中样本标注繁琐的问题。本文的研究在遥感领域可能有着一定的应用价值。