随着遥感技术在实际生活中的发展和应用,相关技术产品也在很多领域中起着至关重要的作用。其中,获取有效准确的遥感信息是关键,而遥感影像分类是遥感信息提取的重要手段之一,也是目前遥感技术研究中的热点研究对象。所以,如何对遥感图像进行准确有效的分类是本文将要研究的主要内容。目前来看,在遥感影像分类中常用的传统分类算法,其分类性能和准确度不够满足实际需要,且传统的基于像素的分类方法易出现错分、漏分的现象,也会导致分类效果不理想。本文提出一种基于对象分类的双输入卷积神经网络,该结构与传统的卷积神经网络不同,它对应两个卷积神经网络输入。该网络模型分别输入两种数据源,各自通过卷积神经网络分类,并把两个输入源的预测分类结果总结,通过最大评分方法得出最终的预测分类结果。网络的输入数据分别是原图像进行裁剪之后的超像素图片及其掩模图片。同时,提出了一种改进的遥感图像特征提取方法,在原始卷积神经网络卷积提取特征前,先对输入数据进行PCA降维,再通过Gabor滤波提取降维后的特征,最后将滤波后的特征数据再输入卷积神经网络完成最终的提取分类训练。实验表明改进后的算法和模型对地物预测并分类的精度优于普通的卷积神经网络模型。为了验证优化的卷积神经网络模型和改进的特征提取方法对图像分类的有效性,在高分16米空间分辨率的黑龙省高光谱遥感影像上进行分类实验。通过混淆矩阵、整体准确率、用户精度和Kappa系数四个指标分析本文所提出的方法的分类效果,并与传统的图像分类算法的分类结果进行对比。实验结果表明,本文提出的方法在准确度上比现有的一些分类方法更优秀。