随着各国卫星的不断升空,大量的高分辨率遥感图像被传回地面,如何从海量遥感图像中获取有用的信息并对图像中的目标进行分类识别,已成为国内外的热点。使用传统方法进行高分辨率遥感图像多分类识别,会产生分类模型特征提取困难、分类类别少、精度差等问题,研究使用卷积神经网络在高分辨率遥感图像分类识别中可行性。从ISPRS提供的德国Vaihingen及Google Earth中采集数据,制作了三种不同数量类别的数据集。通过几种不同的卷积神经网络模型进行十类遥感地物分类识别实验,探究网络在遥感分类中的可行性,分析网络对地物分类识别效果的影响因素,提高遥感图像分类识别的精度;使用实验分析出的具有最佳识别效果的网络模型进行在遥感地物多分类识别方面的可行性、泛化性及分类识别能力的探究。采用Python3.5编程语言,完成高分辨率遥感图像多分类识别系统界面设计。主要工作内容如下:(1)采集德国Vaihingen地区的遥感影像中的全部地物类别,共计十一类;为扩充数据类别,又从Google Earth中采集增加三类地物,共计十四类,制作了包含牧草、油菜、甜菜、黑麦、大豆、裸地六类农作物数据集一;在此基础上,增加了树林、河流、道路、房屋至十类制作数据集二;又增加了汽车、飞机、船只、油桶至十四类制作数据集三。(2)设计了具有不同卷积层、池化层、分类器的四种卷积网络模型,通过对十类遥感地物进行分类识别实验,探究了卷积网络模型在遥感图像分类识别中的可行性,发现分类器影响着模型对遥感图像分类识别能力,池化层影响着模型分类识别效果的稳定性,并将十类遥感地物分类识别准确率提高到97%。(3)通过预处理图像数据,设置网络结构、调整模型参数、对比网络模型等,对六类、十类、十四类地物进行分类识别实验,将三类数据数的分类精度都达到了95%以上,验证了网络在遥感地物多分类识别上的可行性及较高的分类识别能力。并且在分类类别大幅度增加的情况下,分类识别率仅下降了1.6%,充分证明了网络模型在遥感地物多分类识别方面的泛化能力。(4)在Python3.5环境下,采用Tkinter框架,开发实现了高分辨率遥感图像多分类识别系统可视化界面,包含遥感图像多类别分类系统、图像采集系统、CNN识别界面和图像识别系统。通过点击系统相应按钮,返回实验结果,该软件实现使用算法进行图像采集、图像多类别分类及遥感地物识别的结果展示功能。