楚博策，高 峰，帅 通，王士成，陈 杰，陈金勇，于卫东

(1.北京航空航天大学 电子信息工程学院，北京 100191；2.中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

近年来,Landsat、高分、Geoeye和Quickbird等军用、民用、商用各类对地观测卫星逐步升空并投入使用[1-2]，同时伴随着微纳卫星、星群和星座的概念提出与规划建设，后续的遥感影像数据，特别是高分辨率影像数据，将呈爆炸式增长。同时，各类用户对自动化地表覆盖提取的需求显得越发紧迫。随着遥感影像分辨率的不断提高，遥感影像中各类地物的成像细节以及边界轮廓逐渐清晰，各应用部门对遥感影像解析结果中地物覆盖提取精度的要求也逐步提升。高分辨率影像中包含丰富的细节信息，较多的噪声或信息冗余也同时存在，对机器实现自动、高精度的地表覆盖提取产生了更多干扰，这又对高分辨率的遥感地物覆盖分类流程设计以及模型设计提出了更高要求。面对如此庞大的遥感影像数据如何快速、自动、高精度地完成地表覆盖类型分类是当前需要重点攻关的一项关键任务[3-4]。随着深度学习、强化学习等人工智能技术的进步，目前已有较多科技工作者完成了基于传统机器学习[5]以及深度学习[6]的遥感影像地表覆盖分类任务的研究。

深度学习在地物分类方面的研究一部分集中在利用超像素方法对原始图像进行了初始分割，利用卷积神经网络和深度置信网络等神经网络对分割后的块图像进行分类，从而达到像素级地物分类的目的[7-8]。……