周海龙，柴需楷，张金童，彭思卿，杨阳，赵骁翊，武义轩，姜瑜，王珂，尹伟男，白晓乐，李志亮，郑逢杰，陈兴峰

（1.航天工程大学航天信息学院，北京101416；2.中国科学院空天信息创新研究院，北京100094）

遥感技术在近几十年高速发展，海量的遥感数据已经基本满足了人们对于地表成像的各种需求，高空间分辨率、高光谱、热红外、合成孔径雷达等多类数据服务于国土调查、地质灾害、海洋研究、农业监测、退耕还林、气象环境变化等多个领域，遥感在其中发挥了巨大的作用[1-6]。伴随着计算机技术的发展，遥感与计算机被连接在一起，目前遥感图像解译分为人工、计算机自动、人机结合三种方式，自从深度学习技术在图像、语音识别领域取得突破进展之后，遥感图像目标分类也越来越多的使用深度学习方法[7-9]。当前识别的方法得到较多关注和应用的有U-net[10-12]、Yolo[13-15]等，这些方法设计了复杂的深度学习模型架构。总结来看，都是基于一些基础的模型架构进行利用，这些基础模型对遥感目标分类的敏感性准确度有何差异？本文针对遥感图像分类识别应用进行了多种方法的实验研究，旨在分析比较各种算法的性能与优劣，为基础机器学习的使用选择以及遥感目标分类的复杂深度学习架构设计提供参考。

对比实验使用已标注的光学遥感图像数据集，构建了3种深度学习基础模型架构：全连接神经网络（Full Connected Neural Network, FCNN）、卷积神经网络（Convolutional Neural Network, CNN）、随机森林（Random Forest, RF）。通过遥感分类的混淆矩阵给出总体精度，对不同的模型进行评价。……