随着对地观测技术的提升,光学遥感图像的数量急剧增加,海量光学遥感图像为科学研究、社会发展提供了数据基础,而处理大量光学遥感图像需要投入巨大的物力、人力和财力,如何准确、高效、智能地从光学遥感图像中提取有效信息亟需解决。近年来,深度学习及其相关技术在光学遥感图像领域的成功应用,推动着包括场景分类和语义分割在内的光学遥感图像分析任务的发展。本文围绕基于深度学习的场景分类与语义分割方法在光学遥感图像中的应用展开研究,针对大量光学遥感图像,利用基于深度学习的场景分类模型筛选需要关注的目标图像,通过基于深度学习的语义分割模型提取目标图像中感兴趣区域的相关信息,从而实现光学遥感图像中有效信息的智能化提取。本文主要工作如下:1.针对基于深度学习的光学遥感图像场景分类模型规模过大不利于末端部署,以及部分易混淆场景难以精准分类的问题,构建了一种联合轻量化网络和集成学习的光学遥感图像场景分类模型。该模型通过轻量化网络优化结构,压缩模型的规模,减少模型的参数量;利用集成学习模块构建多分类器,通过多分类器解析特征来增强模型的分类性能。实验结果表明,在AID和NWPU-RESISC45数据集上本文模型只训练20%的数据样本,达到了94.32%和93.36%的准确率,对易混淆场景“学校”和“商业区”的准确率比次优模型提高4%以上,且参数量和浮点运算量较低。与现有场景分类模型相比,本文模型在提升精度的同时降低了对计算环境配置的要求,并且能更准确地分类易混淆场景。2.针对基于深度学习的光学遥感图像语义分割模型无法精确分割小尺寸目标和目标边界的问题,构建了一种联合注意力和U型网络的光学遥感图像语义分割模型。该模型通过密集连接结构提取融合多级特征,有效保留了小尺寸目标的特征信息;采用注意力模块提升模型对上下文信息的解析能力,使模型更关注小尺寸目标和目标边界。实验结果显示,本文模型在Vaihingen数据集上小尺寸目标“车”的Io U和F1分数达到0.719和0.901,比次优模型分别提升16%和11%。与现有语义分割模型相比,本文模型的分割结果中目标边界更清晰、准确,即使目标受到阴影、遮挡或光线不足等干扰也能精准分割。3.自建光学遥感图像数据集,编程实现光学遥感图像场景分类与语义分割系统。根据任务需求,制作标注了包含“城镇”、“港口”和“其它”三类场景的光学遥感图像场景分类数据集,以及包含“水域”、“船舶”和“背景”三类目标的光学遥感图像语义分割数据集,与公开数据集共同验证模型性能。基于Python语言和Py Qt软件编程设计光学遥感图像场景分类与语义分割系统,集成本文所构建的场景分类模型和语义分割模型,通过可视化界面展示模型的处理结果和评价指标。