刘松林，李新涛，巩丹超，郭 丽

1.西安测绘研究所，陕西 西安，710054;

2.地理信息工程国家重点实验室，陕西 西安，710054;

3.测绘信息技术总站，陕西 西安，710054

1 引 言

遥感图像分类是对图像中每个像素划分类别的过程，它在地理信息数据库更新、城市规划、灾情检测等方面具有重要的研究意义[1]。随着遥感技术的不断进步，可以获得的遥感图像种类越来越多，地物的光谱和纹理等特征也越来越丰富。图像中大量细节的出现和地物光谱特征的复杂化，导致了传统统计分类方法的准确率降低。

基于此，研究者将机器学习算法如神经网络(neural network，NN)、支持向量机(support vector machine，SVM)等[2]应用于图像分类，并且在分类过程中加入光谱或纹理等特征。然而SVM和NN均为浅层学习算法，难以有效地表达复杂函数[2]，所以随着训练集数量和多样性的增加，浅层模型逐渐无法适应。而由多层非线性映射层组成的深度学习网络拥有强大的函数表达能力，在图像和场景分类等应用中具有很好的效果[3-8]。

深度学习可以看作是神经网络的发展，它模拟大脑的学习过程，通过对输入数据从低层到高层渐进地进行特征提取，最终形成适合分类处理的特征。2006年，Hinton等采用深度网络模型实现了数据的降维和分类[3]，并指出深层的网络结构可以学习到数据更为本质的特征，分类性能更强。当前，主要的深度学习网络有深度置信网络(deep belief network，DBN)和卷积神经网络(convolutional neural network，CNN)等。文献[4]将SAR图像相关矩阵的对角线元素作为DBN的输入，进行SAR图像分类，取得了优于SVM的分类效果。……