影像分类是遥感领域一个基础性的研究问题,通过对影像中包含的地物目标分类,确定地物目标的类别和空间位置,提取到地理空间信息为地学应用服务。高空间分辨率的遥感影像呈现地物目标更加清晰细致,在地学任务中越来越广泛的运用,但传统方法在面对高分辨率影像时分类效果不理想,因此需要寻求针对高分辨率遥感影像进行有效分类的方法。近几年卷积神经网络在图像任务中表现优异而被广泛应用。鉴于此,把卷积神经网络的相关算法和技术用于遥感影像地物目标分类研究中,运用其智能化学习提取高分辨率影像多种特征,实现基于卷积神经网络的高分辨率遥感影像地物目标分类任务,解决使用传统方法针对高分辨率影像分类效果难以得到有效提升的问题。本文开展了如下研究内容和工作:(1)搭建了Deeplabv3+卷积神经网络框架,并运用高分辨率遥感影像训练集对框架的参数训练,得到了一个针对高分辨率影像地物目标分类的具体模型。利用这个模型对测试集影像中的地物目标分类,得到的模型的预测结果与原始影像地物目标的类别和分布一致性较高,分类精度好,能有效地对影像地物目标进行分类。(2)提出了改进的Deeplabv3+网络架构,运用训练集重新对框架的参数进行训练,得到一个新的语义分割模型,利用这个模型在同样的测试集上进行分类,输出改进网络的预测结果。与Deeplabv3+相比,网络对小的地物目标的分类精度更高。(3)获取了高分辨率影像基准数据集并制作了包含更加复杂多样的地物目标的高分辨率影像数据集,对其进行预处理并使用网络在数据集上进行了实验。(4)对本文的两个网络输出的预测结果进行定性和定量的分析。并将其与支持向量机的预测结果进行了对比。本文网络是端到端的处理,具有先进性,分类结果视觉效果更好,各个评价指标均比支持向量机分类结果更高,本文方法优于支持向量机。