目前城市建筑垃圾大量持续产生且堆积严重，利用率较低同时危害城市生态环境。建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础，但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难。提出了一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法。首先根据建筑垃圾的典型遥感特征构建样本库，样本库包含30 292张建筑垃圾和110 110张典型地物在内的共计140 402张样本。之后基于国际先进的深度学习环境Tensorflow，利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集，对Inception-V3模型进行了再训练，在较短时间内得到了建筑垃圾识别模型。随机抽取6 016张样本构成验证集逐个输入建筑垃圾识别模型，统计验证样本的模型识别结果构成混淆矩阵，得出该模型对所有地物的整体识别率K为97.43%， Kappa系数Ka为0.96，模型识别建筑垃圾的识别精确度P_v为99.10%，识别灵敏度为94.88%。与传统的航片监测、实地考察等纯人工识别方法相比，该方法所需时间较短且识别精度较高，有利于实现建筑垃圾的全过程实时监控和精准管理。

近年来，以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区，以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI，组合后输入到构建的一维卷积神经网络 模型，以实现作物的高精度精细分类。为了验证卷积模型的优越性，另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后，能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高，分别是89.667 4%和0.856 0，对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中，一维卷积神经网络分类精度最高，能够从时序数据中较为准确捕捉作物时序特征信息，尽管递归神经网络被广泛应用于序列数据的研究，但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助，能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。

我国尾矿库事故频发，所造成的危害极其严重。掌握尾矿库的数量及分布情况对预防尾矿库事故和开展尾矿库应急工作具有重大意义。传统的调查方法主要以地面调查为主，难以做到大范围高频次的监测。因此提出了一种基于深度学习的尾矿库目标检测方法，可以快速识别尾矿库的位置并掌握其地理分布。首先分析尾矿库在遥感图像上的特征，制作适合训练的样本，根据样本的情况优化调整训SSD （Single Shot Multibox Detector）模型，基于优化后的模型进行京津冀地区尾矿库的自动提取。实验结果表明：京津冀地区检测出尾矿库2 696座，召回率达到93.3%。说明采用深度学习目标检测的方法提取尾矿库，取得了较好的效果，所提出的尾矿库提取方法可应用于全国及全球尾矿库的提取。

随着现代遥感技术的迅速发展，遥感图像的质量和数量得到了显著的提升，新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富，如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容。与此同时，以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩。得益于类人眼的分层卷积池化模型，深度卷积神经网络可以在图像分割和分类等任务上取得优异的结果。因此采用U-Net为代表的深度卷积神经网络对2 m的高分辨率遥感影像进行了特征提取、分割和分类，不同于传统基于手工设定图像特征的方法，U-Net可以自动对海量高分辨率的遥感图像进行特征提取，从而充分挖掘高分辨率遥感影像中复杂的非线性特征、光谱特征和纹理特征。实验结果表明：利用训练好的U-Net模型对新昌县土地利用分类计算时间为55.7 s，分类准确率可达90.95%，Kappa系数为0.86。U-Net模型可以快速、精确地提取高分辨率遥感影像中的地表覆盖特征，得到高精度的土地利用分类结果，说明将该模型应用于遥感影像土地利用分类提取有着广阔前景。

针对传统飞机检测算法特征学习能力较弱，在背景复杂、目标密集、成像质量较差的遥感影像上检测精度较低的问题，提出了一种基于Faster-RCNN（Faster-Regions with Convolutional Neural Network）框架的遥感影像飞机检测优化算法。以ResNet50为基础特征提取网络，引入空洞残差块进行多层特征融合，构建新的特征提取网络，提高算法的特征提取能力。首先在UCAS-AOD数据集上采用交叉验证训练方法验证模型在不同训练集与测试集上的稳定性，同时比较不同算法的检测性能；然后在NWPU VHR-10数据集上进行飞机检测对比实验，验证模型泛化性。实验结果表明：在UCAS-AOD数据集上优化算法平均精度为97.1%，在NWPU VHR-10数据集上优化算法平均精度为96.2%。该优化算法能够提升遥感影像中飞机的检测精度，且泛化性更强，对实现遥感影像飞机快速检测具有一定的参考意义。

矿产资源的过度开发会对自然环境造成严重的负影响，矿山环境监测对生态文明建设具有十分重要意义。在目前的矿山环境监测中，机器学习算法被广泛的使用并取得了较为良好的效果。近年来，随着深度学习领域的快速发展，相关理论知识也逐渐被应用于遥感图像处理中。将深度学习算法与面向对象的思想相结合，以高分二号影像作为研究数据，使用卷积神经网络对河南省禹州市的采矿区进行了以露天采场为主的开发占地类型信息提取，并与支持向量机方法进行对比，最终得到卷积神经网络的总体精度为91.85%，Kappa系数为0.90，均高于支持向量机方法，提取结果也与实际更加相符。表明该方法在露天采场提取中的优势和可行性，可为矿区的环境监测和科学管理提供可靠的技术支撑。

针对当前多数深度学习模型只能对高分辨率遥感影像裁剪图片进行土地利用类型判别的问题，结合VGGNet与Mask R-CNN开展了智能化建设用地目标检测研究。在建立研究区4类土地利用类型遥感影像数据集的基础上，对比了VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度，选取分类效果最优的神经网络模型VGGNet与Mask R-CNN实现建设用地目标检测智能化。结果表明：①VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度分别为：97.44%、93.75%和95.13%，且VGG16模型迭代次数最少，训练时间相对较少；②Mask R-CNN阈值设置对目标检测精度有重要的影响，当阈值设定为0.3时，VGG16结合Mask R-CNN的联合模型对建设用地检测的标定框精度最高。同时联合模型比单一使用Mask R-CNN模型对建设用地检测有更高的准确率，并且表现出了更强的适应性和鲁棒性。

随着卷积神经网络技术的发展，近来的研究越来越注重于准确率的提升以及语义信息的完善。其中Mask R-CNN网络是对Faster R-CNN进一步改进后的实例分割网络，在高分遥感图像地物识别具有良好的分割效果。但由于卷积神经网络只能用小瓦片图像进行训练和预测，而导致预测结果存在较大的语义信息误差。面对这种问题，提出了针对卷积神经网络预测结果缺陷的缝隙修复算法，即先使用Overlapsize算法改善预测结果与真实结果的匹配程度，再通过PostGIS数据库中的相关函数填补缝隙，使小瓦片能真正拼接成完整大图。研究及实验结果表明：该算法能够很好地改善图像语义信息，具有实用性。

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力，解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响，有待研究。利用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）——金字塔场景分析网络（Pyramid Scene Parsing Network, PSPNet）进行4种分辨率（8、3.2、2和0.8 m）的米级、亚米级影像冬小麦分类。实验结果表明: PSPNet能够有效地进行大样本的学习训练，非监督提取出空间特征信息，实现“端—端”的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系，随着影像分辨率的逐步增高，地物表达特征越来越清晰，PSPNet识别的冬小麦精度会逐步增高，识别地块结果也越来越规整，不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义，传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息，针对这一问题，提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network，指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform，非下采样小波变换）提取出图像的高低频子带，将高频子带进行频带特征融合得到融合高频子带，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合，最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明，本文方法的分类正确率达到94.52%，相比以往算法有显著提高。

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法，用于GlobeLand30地表覆盖产品的质量优化。首先，通过对多源地表覆盖产品的一致性分析，构建深度学习训练所需的高分辨率遥感大样本（224万样本量）；其次，基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型（GoogleNet Inception V3）；最后，利用训练好的神经网络模型对在线高分影像进行分类，用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证，经过训练的神经网络分类总体精度为87.7%，Kappa系数为0.86，相比原始GlobeLand30的精度（总体精度75.1%、Kappa系数0.71）有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明：该方法能够有效优化GlobeLand30产品的分类精度。

针对高分辨率遥感图像建筑物分割问题，提出一种Encoder-Decoder的深度学习框架，建立输入图像到分割结果之间的端对端的分割模型。其中Encoder以残差网络为基础，自动提取建筑物的特征；Decoder采用反卷积实现对特征图的上采样，从而完成对建筑物的分割；同时引入批量规范化处理，降低了神经网络权重训练过程中的梯度竞争，从而减小了神经网络的训练难度。实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息，降低复杂道路等干扰的影响，提升建筑物的分割精准度，算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为：0.837、0.892和0.630；F值分别为：0.851、0.879和0.730。同时，多分辨率条件下的分割实验结果表明，该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力。

油罐是用于储存油品的工业设施，常用在炼油厂等工业园中，通过卫星或航空遥感图像实现油罐目标的快速检测，可以实现对侵占生态保护红线的疑似工业园区的快速查找，为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性，基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架，通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试，实现了遥感影像上油罐目标的快速检测；通过修改锚点尺度和数量，丰富了候选框类型和数量，提升了油罐的目标检测精度，最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测，为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。

冬小麦是我国主要的粮食作物，获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展，形成了适宜提取冬小麦种植信息的Ex-RefineNet（Extend-RefineNet）模型，Ex-RefineNet模型由两个子模型组成，Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素，Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素，使用贝叶斯模型对两个子模型的提取结果进行合并处理，形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验，将每幅影像的2/3作为训练数据，其他数据作为测试数据，选择平均精度、查全率和Kappa系数作为对比指标，Ex-RefineNet模型的结果分别为0.93、0.92、0.91，而RefineNet模型的结果分别为0.86、0.84、0.83，说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。

利用无人机航拍获得光学影像数据，结合深度学习理论，建立树种识别模型，以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例，采用无人机获取20 m及40 m高度的航拍影像。其次，以树种为对象，对航拍影像进行分割，获得12种树种影像。最后，结合深度学习理论，采用DenseNet卷积神经网络建立树种识别模型，探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型，其分类精度均达80%以上，最高精度为87.54%。从航拍影像解析度分析，随着航拍影像解析度的下降，模型识别精度呈现下降趋势，以20 m航拍影像数据建构的树种识别模型，其分类精度高于40 m模型；从模型网络深度分析，随着模型网络层数的增加，模型分类精度出现下降现象，DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述，基于无人机航拍影像，结合深度卷积神经网络，提出了新的树种识别方式，并以安溪县森林树种识别为例证明了该分类框架的有效性。