随着传感技术的迅猛发展,遥感图像的数据量极速增加,分辨率也在不断提高,使得传统的分类方法无法满足遥感图像高层次内容解译的需求。作为计算机视觉领域的重要研究方向,场景分类得到了广泛关注,成为了当前遥感图像解译中活跃的研究课题。近些年来,卷积神经网络在图像处理领域取得了许多突破性进展,它依靠自身具备的参数共享、局部感受野、降采样和稀疏连接等特点,如今已成为计算机视觉领域和人工智能领域中非常活跃的研究方向。本文在深度学习理论的基础上,结合了高分辨率遥感图像的特点,论述了如何将典型的卷积神经网络模型应用于遥感图像场景分类。本文的主要内容如下:(1)介绍了现目前的存在的常用的遥感图像场景分类数据集,对比分析了这些数据集的特点与存在的问题,阐释了为何要提出新的、高质量、大规模的数据集。之后调研了遥感图像场景的具体分类策略,确立了 31类典型的遥感图像分类场景,而后分别介绍了各个类别的具体定义、选取来源、选取时考虑的因素、像素分辨率等。最终构建获得了每类至少300张图像、共计一万余张遥感图像的场景分类数据集。(2)详细阐释了神经网络的基本结构与训练过程。根据遥感图像的特点与实际训练经验,选择了以迁移学习作为基础的训练方法。依据实际训练效果,不断调整、改变卷积神经网络的结构、学习率、批量数据大小等多个超参数,减少过拟合,以获得最佳效果,最终获得了卷积神经网络模型在遥感图像场景分类上的显著效果。(3)通过在不同数据集上的多组实验,对比分析了在不同数据集下不同模型的训练结果,获得了数据集与训练所得模型的性能之间的一些结果,并给出了如何在遥感图像数据集上训练、优化卷积神经网络模型的建议。最后,尝试将训练好的模型应用到实际的遥感图像中,自动化完成整个图像处理流程,并展示了可视化的结果。