王振力，滕 藤，王 群，黄忠演

（1. 江苏警官学院，江苏 南京 210031；2. 国防科技大学国际关系学院，江苏 南京 210039）

传统的目标检测识别方法[1]如极大似然法、最小距离法和K-均值聚类法等，已经实现利用光谱统计特征完成目标识别与分类，但是当遥感影像中出现大量细节、地物光谱特征较为复杂时，这些传统方法的准确度会降低[2]。针对此类问题，文献[3]提出将机器学习算法应用于高分辨率影像的分类，比如神经网络（NN）、支持向量机（SVM），并且在分类过程中加入影像的纹理、结构等特征。文献[3]方法在提高分类准确率的同时，仍需要进一步提高对目标的具体判别。

文献[4]中提出一种基于K-最近邻图的改进策略，在小样本的情况下可取得较好的结果，但是对于样本数据分布不均匀、待测样本数量较多时效果不佳。针对这一问题，本文提出基于K-最近邻图KNN 改进算法的深度学习模型，以提高对典型目标的分类和判别能力，实现高精度的目标检测[5]。

1 K-最近邻图分类方法的改进

深度学习领域中，可以用于分类的方法有决策树、遗传算法、神经网络、朴素贝叶斯、支持向量机、基于投票的方法、Rocchio 分类、KNN 分类、最大熵等[5]，其中KNN 作为一种较为成熟的算法，是向量空间模型（VSM）下最好的分类算法之一，如图1 所示。

KNN 分类方法是一种传统的无参量、有效、较流行的惰性学习方法，其基本的计算方法如下：记指示器函数为I(x)，有

式中，D 为训练集；x 为待分类的数据对象，本文中表示维度为N 的矩阵；U 为未标记数据集，有x∈U；……