农作物的种植结构和面积是预测农业生产力及人口承载力的重要数据源,及时、准确地获取区域尺度上的作物种植信息具有重要的意义。随着商业小卫星和无人机遥感技术的快速发展,高分辨率遥感影像已经广泛应用于农业领域。空间分辨率的提高,地物的细节信息明显,如几何结构、纹理特征等。同时,像元的光谱信息弱化。在影像中,同类地物内的方差增大,异类地物间的差异减小。像素的光谱信息较弱,仅利用光谱信息分析的方法不在适用于高分辨率影像。作物种植大多是田块种植,套种的方式基本不存在了,提取的作物种植信息也应该是块状连片的区域。然而,高分辨率影像普遍受到“同物异谱”与“异物同谱”等现象的影响,作物长势也存在差异,会在空间上表现出不同程度的差异。因此,本文从高分辨率影像分类特征、面向对象的作物田块分割和高精度分类算法三个方面展开了探讨和研究。主要工作如下:(1)高分辨率影像的农作物分类特征构建。可见光影像包含有红、绿、蓝3色的灰度信息和更多的影像结构信息,仅利用色彩信息难以实现作物类型区分。从模式识别的角度来看,针对特定分类对象或用途,代表性特征的选择或提取是提高准确性的关键。因此结合研究区主要农作物类型,从色彩、光谱指数、纹理和形态等方面深入挖掘和筛选适合于农作物分类的特征。经验证,H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var特征可以很好地用于高分辨率影像农作物分类,后续可结合面向对象的分析技术来进一步提升分类精度。(2)面向对象的农田区影像多尺度分割。面向对象影像分析技术一般为“分割-分类”模式,其中分割是分类的前提,并且在影像对象分析技术中处于核心地位。分割尺度常常因地物的丰富度或空间聚合度的不同而存在差异。为了减小非植被信息对作物提取的影响,先将非植被区域进行识别和剔除,利用多个植被指数主成分分量的二分类方法剔除了影像中的非植被,精度达到93.39%。再采用分层处理策略,针对不同面积的田块对象采用局部估计方法优选理论最优空间尺度为55、95和140,进而在多个分割层面上进行对象级信息提取和综合,实现多尺度的分割和多层次的分类综合,以提升面向地理对象影像处理与分析的精细化程度。(3)面向对象的改进FCN分类。对于遥感影像深度学习分类研究现阶段已进入面向对象的CNN(Object-CNN),显著提高了算法的分类精度。本文基于全卷积神经网络模型进行扩展,改进加入了第三章的影像特征和第四章的多尺度面向对象分割,并对卷积核结构做了调整和使用CRFs优化了最终的预测输出,构建了一个能够自动识别高分遥感图像中农作物类型的改进FCN模型。通过与传统方法(ENVI SVM精度为83.94%)对比分析,本文搭建的结合多尺度的FCN模型所取得的农田作物的识别效果最好,准确率最高,达到90.31%。同时,该模型具有一定的通用性,可以扩展其他的作物类型识别。