基于遥感影像的分类技术已经成为了国土资源监测、森林资源调查等多个领域中极其重要的监测手段,但其发展仍受诸多因素的制约,遥感影像上因地形起伏形成的地形效应便是不可忽视的影响之一。地形因素引起的影像阴、阳坡变化给传统拟合能力不够强的分类器带来了识别上的困难与挑战。在利用传统分类器对遥感影像进行分类提取的过程中,受分类器拟合能力的限制,地形因素所造成的影响往往需要借助适当的地形校正方法来消除,因而地形校正能够对影像分类精度的提升起到一定的积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和特征拟合的巨大优势,在图像分类领域取得了不错的精度提升。然而,在深度神经网络分类器被广泛应用于遥感分类任务的同时,其对地形因素的处理是否仍然需要通过地形校正来实现?分类器能否拟合地形所带来的影响?这些问题还没能被解答。本文借助U-Net与SegNet深度神经网络分类器在影像分类上的优势开展了基于Landsat8 OLI 30m卫星影像的一系列分类实验,通过分析比较地形校正前后这两种分类器所得分类结果精度的高低,初步回答了地形校正在深度神经网络分类任务中是否必要的问题。论文的主要研究成果及创新点如下:(1)在混合样本采样方式下基于U-Net和SegNet深度神经网络分类器实现了对地形校正前后Landsat8 OLI遥感卫星影像的分类提取和对分类器的泛化性验证,经多组科学合理的分类实验及严格的精度评价,证明了地形校正对U-Net和SegNet深度神经网络分类器分类结果的精度无明显影响。(2)在纯阴、阳坡样本采样方式下基于U-Net深度神经网络分类器分别实现了对地形校正前后Landsat8 OLI纯阴坡和纯阳坡影像数据的分类提取和对分类器的泛化性验证,进一步证实了在以U-Net和SegNet为例的深度神经网络分类应用实例中,分类前没有必要对卫星影像数据进行地形校正处理。(3)以典型地域中地形校正前后影像分类提取为实例,通过系统地分类实验并根据直观的分类精度变化解答了深度神经网络分类中是否需要进行地形校正的疑问,对于深度学习技术在遥感分类中的推广应用具有实用价值。