刘春容， 宁 芊,2*， 雷印杰， 陈炳才

(1.四川大学电子信息学院， 成都 610065; 2.新疆师范大学物理与电子工程学院， 乌鲁木齐 830054; 3.大连理工大学计算机科学与技术学院， 大连 116024)

随着遥感技术的飞速发展，获取大量高分辨率的遥感图像越来越容易，这些高质量的遥感图像在实际生产生活中有着广泛的应用，如精细农业、森林火灾检测、城市规划[1]等。高分辨率遥感图像包含了非常丰富的地物纹理信息和空间语义信息，如何将大量的遥感图像进行准确分类是遥感图像解析的重要研究内容。

遥感图像场景分类方法根据特征提取的层次可分为低层特征处理和中层特征处理两大类方法。低层特征通常采用场景图像的颜色[2]、方向梯度[3]、密度特征[4]、特征点[5]、变换域的纹理[6]等进行描述。这些低层特征不能很好地对中层语义进行描述，难以跨越低层到高层语义的鸿沟，泛化能力差。目前遥感图像分类算法主要集中于中层语义特征建模，如视觉词袋(bag of visual words,BoVW)模型[7]、空间金字塔匹配(spatial pyramid matching,SPM)模型[8]、概率潜在语义分析(probabilistic latent sementic analysis,pLSA)模型[9]等方法，虽然这些方法能一定程度地缩小低层到高层语义的鸿沟，但其对图像深层特征的提取和场景的尺度变化缺乏有效的处理措施，难以在复杂场景分类中取得较高精度。

近年来随着深度学习的快速发展，以卷积神经网络为代表的深度神经网络[10]在图像识别、自然语言处理等领域中取得了较好的结果，也有不少研究人员将其应用到遥感图像场景分类任务中[11]。……