随着现代遥感技术的迅速发展,遥感图像分辨率越来越高,遥感图像中包含地物信息越来越丰富,成为人们了解地球及周围环境的有力工具之一。如何有效识别遥感图像中信息是遥感图像解析的重要内容之一。相比传统遥感图像识别方法,深度卷积神经网络能够自动、高效、精准的识别遥感图像地物目标。训练好的卷积神经网络模型能够便捷、自动提取图像中特征。卷积神经网络的本质是拟合从输入到输出的映射关系,其包括两个基本步骤:特征提取和特征映射。而且卷积神经网络能够通过局部感受野和权值共享降低训练难度。基于深度学习模型的遥感图像分类可以充分抽取图像中包含的语义特征,而利用好图像中的语义信息可以提高遥感图像的分类精度。基于此,本文将残差神经网络(ResNet)与特征金字塔(FPN)算法相结合,构建合适的神经网络模型来研究图像的分类。论文主要工作如下:(1)搭建本文所需深度学习环境,将GID数据按照搭建的深度学习框架及实验环境进行预处理。然后,利用处理完成的数据训练ResNet,在此过程中设置合适的超参数,使模型在训练后能达到收敛。同时为防止过拟合,引入Dropout。最后对得到的实验结果进行分析,并与传统遥感分类方法支持向量机(SVM)结果作对比,对比两种分类结果,发现基于残差神经网络的遥感分类方法精度明显优于SVM方法。(2)为进一步提升遥感图像分类的精度,在ResNet的基础上融入FPN特征融合算法,构建ResNet-FPN高分图像遥感分类模型。利用FPN能够将从图像中提取出的多层语义特征融合的优势,提升网络模型对图像特征的利用率。通过实验结果分析可知,改进后模型相比残差神经网络明显提升了分类精度,对于边缘分割具有良好效果,提高了遥感图像中的小型地物的识别率。