露天煤矿的开采使矿区地形产生巨大改变,并带来矿区土地的损毁、环境污染等问题。对露天煤矿区土地类型进行分类可以为露天煤矿区的土地利用情况的调查提供有力支持。高空间分辨率的遥感图像包含大量的地物细节信息,数据类型丰富,获取方式便利,已成为矿区的重要信息源之一。传统基于像素和面向对象的遥感图像分类方法难以有效利用高分遥感图像丰富的信息,获取图像场景级的语义信息,因此,本文采用“面向场景”的遥感图像分类思想。针对露天煤矿区遥感图像单标签分类无法全面的反映该区域所包含的地物信息,不利于场景理解的问题,本文采用了不同的遥感图像多标签分类方法以及不同的标签关系学习策略,以实现露天煤矿区的高分遥感图像多标签分类。本文的主要研究内容如下:(1)在对露天煤矿区的高分遥感图像进行判读解析的基础上,本文构建了一个露天煤矿区高分遥感图像多标签数据集,以用于露天煤矿区遥感图像的多标签分类。本文对用于图像单标签分类的迁移卷积神经网络进行改进,使其适用于遥感图像多标签分类。(2)本文探讨了所使用的数据集的各地物类别标签之间存在的依赖关系。在此基础上,采用了基于卷积神经网络、注意力机制和循环神经网络的编码-解码结构的遥感图像多标签分类模型。利用卷积神经网络作为图像的特征提取器。利用注意力机制捕获特定标签的对应的特征信息。最后,将得到特征图输入循环神经网络。利用循环神经网络强大的解码能力,对标签关系进行建模,并生成多标签的预测结果。(3)为更好的从全局角度对数据集标签存在的联系进行学习、建模,提出了融合注意力机制和图卷积网络的遥感图像多标签分类方法。在卷积神经网络的基础上增加卷积块注意力模块,加强类别标签与图像中的区域的对应关系。最后,利用图卷积网络模型将标签映射到一组相互依赖的对象分类器中,对特征进行分类。增加了卷积块注意力模块的分类效果得到提升。最终实现对露天煤矿区遥感图像的多标签分类。