随着我国社会经济的发展和城镇化规模的不断扩大,我们需要对城镇土地利用、区域发展综合水平有着客观全面的把握。城镇建成区是城镇研究重要的基础信息,也是实施区域规划、落实城镇功能空间布局的前提。近年来,随着对地观测技术的发展和遥感图像分辨率的提高,更为准确、有效的提取城镇建成区信息成为可能。高空间分辨率遥感影像信息量大,覆盖范围广,成像清晰,是对地观测领域的重要研究方向。高分辨率遥感影像的城镇建成区环境复杂,并且不同城镇建成区在坐落位置、发展规模等方面存在着许多差异,其信息提取存在一定困难。对于高分辨率遥感影像城镇建成区信息提取,本文将深度学习技术应用于高分二号遥感图像,做了深入的研究和分析。具体研究内容如下:(1)介绍了遥感与对地观测技术及深度学习的相关理论,包括高分辨率遥感图像的特点,基于遥感影像的城镇建成区信息提取研究现状,深度学习技术的发展及其现状。对深度学习技术应用于高分遥感影像的可行性进行了详尽分析,指出了深度学习在信息提取方面的优势。(2)针对高分辨率遥感影像,实现了从原始影像预处理到信息自动提取的一系列流程。对原始遥感影像进行辐射定标、大气校正、正射校正、图像融合,得到尽可能符合地表真实情况的图像。经处理的影像数据用于之后的算法研究,同时也更好地反映了城镇建成区地物特点。(3)实现了基于卷积神经网络对高分辨率遥感影像城镇建成区的信息提取。针对使用深度学习算法容易出现过拟合和鲁棒性不强的问题,采用了数据扩充增强技术进一步提升网络模型能力。以海南省海口市琼山区为主的10000?10000大小高分辨率遥感影像中,对于城镇建成区信息提取,经过训练的深度学习算法正确率在88%以上。但是该方法对遥感图像的深层特征提取能力有限,其提取结果的地物细节信息不充分。(4)基于深度学习技术实现高分辨率遥感影像信息的准确提取,需要加强卷积神经网络的表达能力。通过使用针对特征图的强化模块和通道域的注意力模块,本文改进了全卷积神经网络,使得网络模型有效地学习并选出对城镇建成区信息贡献较大的特征,提高了遥感影像信息提取的准确率。本文采用滑动窗口预测、全连接条件随机场后处理方法,对改进卷积神经网络的结果进行针对性优化,更准确地实现了城镇建成区提取。研究结果表明,采用面向图像语义分割的深度卷积神经网络对高分辨率遥感影像进行地物信息提取是可行的。相对于传统的分类算法最大似然法、浅层的机器学习方法随机森林法,深度学习技术可以得到比较好的结果,但是其特征提取能力可以进行提高。通过增强特征图和通道域的信息提取能力,使用滑动窗口预测和全连接条件随机场两种后处理方式,改进的卷积神经网络更准确地提取了高分辨率遥感影像中的城镇建成区信息。总体而言,本论文主要关注深度学习算法,实现了在大尺度高分二号遥感影像上提取出城镇建成区信息,最终目标是结合深度学习技术与遥感信息处理,为相关部门机构提供一种高效的城镇建成区信息提取方法,进而更好地服务于国计民生和社会发展。