伴随着遥感技术的发展,遥感影像数据在全球资源变化动态监测和土地覆盖利用过程中发挥着积极作用,遥感影像土地覆盖分类是遥感数据的一个重要应用方向;如何进一步提高遥感影像土地覆盖分类的准确度对遥感数据得到有效应用非常重要。传统的遥感影像土地覆盖分类主要是根据地物的光谱数据对遥感数据进行分类,但由于遥感影像成像时环境的复杂和成像时环境的时时动态变化,传统分类方法单纯基于像元的光谱数据往往不能达到令人满意的分类结果。另外还有研究人员还提出了结合像元邻域纹理信息来补充光谱特征数据的不足。传统基于光谱特征的分类方法虽然一定程度上解决了目视解译工作量大耗时的问题,但受到所设计特征语义表达能力的限制泛化能力较差,分类精度仍无法令人十分满意。近年来卷积神经网络模型在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)场景图像分类识别问题上相比传统方法取得了突破性进展,将卷积神经网络强大的特征学习能力应用于遥感土地覆盖分类是当前的研究方向。不同于ILSVRC针对场景的图像分类,土地覆盖分类训练任务中,样本数据的采集通常是以样本点为中心的邻域信息一起采集作为辅助信息参与模型训练,并且在单一场景下土地覆盖发分类具有样本数量少、样本尺寸小、分类类别少的特点。像AlexNet,VGG等经典的卷积神经网络模型,在解决遥感图像像素级土地覆盖分类问题中存在样本尺寸与网络输入输出要求不匹配等问题,模型输入层设计太小无法构建具有一定深度的网络结构,样本尺寸选择过大会淹没中心样本点的信息;针对土地覆盖分类的特殊性,本研究在参考了AlexNet等ILSVRC成功模型结构的基础上设计了一个输入尺寸为27×27像素大小具有三个卷积层两个池化层两个全连接层的面向土地覆盖分类的卷积神经网络模型LCNet-27(Land-Cover convolutional neural Network)和一个输入尺寸为13×13像素大小具有两个卷积层一个池化层两个全连接层的卷积神经网络模型LCNet-13。以TM中分辨率影像和QuickBird高分辨率影像为研究数据,对比分析了不同输入尺寸大小构建的不同深度的模型、不同样本尺寸大小和不同分辨率影像对分类结果的影响,并与基于光谱特征以及光谱加纹理特征的传统分类方法进行对比分析。结果表明,LCNet-27三个卷积层两个池化层相比LCNet-13两个卷积层一个池化层构建的模型分类效果更好;由于存在模型适应性问题AlexNet模型finetune时上采样过于严重相当于加入了过多噪声,其分类结果相比光谱加纹理的分类方法略差;在LCNet-27模型上:TM中分辨率影像最佳训练样本尺寸大小为5×5像素大小,总体分类精度为96.6%,过大的样本尺寸在分类结果上会产生较强的滤波效应,减少了分类结果的细节信息,而过小的样本尺寸由于包含信息太少,导致误分严重;TM中分辨率影像分类结果细碎图斑少,一致性好,可有效减少分类后处理环节;QuickBird高分辨率影像最佳训练样本尺寸大小为7×7像素大小,总体分类精度为97.4%,相比TM中分辨率影像视觉空间特征更好,滤波效应得到缓解,细节信息保存更好,精度提升更大,对训练样本尺寸选择更为鲁棒;LCNet-27分类精度上高于基于光谱特征和光谱加纹理特征的分类方法,可以很好地应用于土地覆盖分类。