冬小麦是我国北方最主要的农产品,及时准确地获取冬小麦生长、分布情况,有利于农业生产的产量估值,也可以为我国的农业政策、农产品布局提供有力的依据。使用GF-2遥感图像自动解译技术可以实时获取冬小麦的空间分布情况。遥感影像解译及语义分割的本质都是基于像素的分类,因此本文使用深度学习中的语义分割方法,对经典的语义分割网络(U-Net)进行改进,设计了一套基于可变形全卷积网络模型(DFCN)的遥感图像冬小麦自动解译方案。首先,针对遥感影像的成像误差问题和特征不明显问题,对原始影像进行预处理及特征增强,制作了2330张256×256大小的训练集影像和582张256×256大小的测试集影像;其次,为解决滑动卷积造成的影像尺寸缺失问题,在卷积过程中加入了填充操作;接着,增加了网络层深度,以实现模型对遥感影像特征的强表征能力;最后,在卷积过程中加入可训练的偏移量使卷积发生形变,得到了自适应感受野,从而提取出冬小麦的几何形变特征。对DFCN进行训练及调参,将最优的DFCN网络与FCN网络、U-Net网络以及RF(随机森林)算法进行对比分析,结果在GF-2影像测试集上的自动解译精度分别为98.1%、89.3%、93.9%、90.0%。本研究结果表明,基于可变形全卷积神经网络的解译方案,对于冬小麦解译效果有明显提升,相较于传统的解译算法,本算法主要创新点有二:(1)DFCN网络模型在U-Net网络基础上进行改进,综合利用了光谱、纹理、边缘及语义特征,并实现了端到端的输出;(2)DFCN网络模型中的可变形卷积模块使得模型对几何形变特征的提取更高效。