高分辨率遥感影像包含信息更丰富,传统的基于像元分类方法不适用于高分影像。目前,面向对象分类方法是提取高分辨率遥感影像信息的主要手段,它能够综合利用各个对象的几何、纹理、光谱等多种特征提取所需信息。但就目前来说面向对象分类方法还不够成熟,在最优分割参数获取和特征优选方面需要较多的人为参与,因此,仍需探索智能化和自动化程度高的影像分类方法,得以快速高效的提取土地利用信息。近年来,深度学习在视觉分析、语言和图像识别方面发挥重要作用。由于它更多的内部层次结构,所以可从图像已知信息分析推理到更为抽象的信息。本文将深度学习应用于高分辨率遥感影像分类,选取了UNet模型,此模型最开始用于医疗影像分割,且解决的是二分类问题,仍存在难以提取复杂遥感影像像元信息、模型训练速度慢和难以收敛等不足。对于以上问题,本文研究如下:(1)总结传统方法和深度学习法在高分辨率遥感影像分类上的发展现状,分析整理出深度神经网络在多分类上存在的优势和不足,依此提出基于深度神经网络的高分辨率遥感影像分类方法。(2)了解研究区概况,制定本区的分类系统,收集影像、矢量和野外实测数据。针对高分二号影像数据,进行预处理工作。对比多种影像融合方法,证明NNDiffuse融合无论在空间分辨率还是光谱信息的保留上,在本研究区都达到更好的效果。(3)说明卷积神经网络的基本结构层,依本区实际情况选定本文的分类模型UNet网络。分析基础UNet模型的不足,在此基础上将其改进为层次更深的模型,使其可以提取到更复杂影像的深层次特征,并改变其卷积方式以及加入Dropout层,大大减少模型参数,提高训练和测试速度,避免过拟合。(4)依据改进的UNet模型进行实验,对实验结果进行评价分析,再和另外两种传统分类方法进行对比。实验表明:对于较大区域的分类,面向对象分类受分割结果、特征选择、分类算法等各种因素的影响,分类效果不容易达到很好地效果。而深度学习具有提取深度特征的能力,而且不需要过多的人为参与。通过比较分析,本文方法得到的总体精度最高,除草地和水体外,各个地物类型的精度也比另外两种方法的精度高。而且,UNet分类方法得到的分类图边界更为接近地物真实情况,碎图斑很少,也更平滑美观。