随着遥感探测技术、计算机技术和大数据技术的发展,遥感图像自动分析成为人们获取地球空间信息的重要手段,它在军事侦察、城市规划、资源利用和环境监测等领域具有重要的应用价值。本文深入研究基于学习方法的遥感图像分割与分类算法,主要包含两方面的研究内容:基于机器学习方法的遥感图像河流精确分割算法和基于深度学习方法的遥感图像多目标分类算法。本文深入研究基于多特征融合和软投票的遥感图像河流分割算法。针对单一特征无法有效区分河流和背景区域导致模型识别率低的问题,本文提出了融合遥感图像局部熵、纹理和光谱信息的特征提取方法,对其进行归一化处理后使用分类器分类,得到河流粗分割结果。针对河流粗分割结果中的错误分类点,本文提出了基于形态学处理结合多判据软投票的优化方法,利用开操作和闭操作去除错误分类点,并利用由颜色、纹理和角点分布组成的相似性规则去除困难样例的干扰。针对河流分割轮廓不够贴近河岸线的问题,本文提出了水平集几何活动轮廓逼近河岸线优化算法,根据活动轮廓曲线演变原理,将河流轮廓处理为一条不断演变的活动曲线,当整体能量达到最小时可得到紧贴河岸线的河流精确分割结果。实验表明,本文算法能够在复杂背景下精确地分割出河流区域。本文深入研究基于卷积神经网络的遥感图像多目标分类算法。本文深入分析UNet和SegNet网络设计原理及其存在的问题,融合两者的优势并进行算法创新,提出了改进的遥感图像分类网络设计方法。为了充分挖掘遥感图像不同层次的信息,本文设计了多尺度特征编码结构和融合图像底层信息和高层语义信息的解码结构。为了提高遥感图像目标边缘及其位置信息的识别率,设计了最大池化索引上采样结构。为了提高遥感图像中道路等样本较少目标的识别率,设计了代价敏感损失函数,通过在训练过程中加大对该类目标误分类的惩罚,提高网络模型的鲁棒性。本文在网络中引入批规范化加速层,以提高网络收敛速度。实验表明相比于其他网络,本文改进的网络在分类准确率、目标细节识别精度和预测结果一致性等方面均取得了更好的效果。综上,本文充分利用机器学习和深度学习方法在处理模式识别问题中的优势,提出了遥感图像河流精确分割和多目标分类算法。实验表明本文算法效果良好,具有一定的理论意义和应用价值。