高分辨率遥感影像记录了地物目标详细的形状、几何结构、纹理等特征信息,广泛应用于遥感制图、精确农业、城市规划等领域,然而高分辨率遥感影像在提供高质量信息的同时,其类内差异大、光谱信息相对欠缺的特点也为高效、准确地进行遥感影像分类提出了新的挑战。一方面,高分辨率影像展现了高度细节化的信息,降低了目标类间差异却增大了类内差异;另一方面,高分辨率遥感影像的数据波段有限,光谱信息丰富度不足,增大了遥感影像分类的难度。因此如何实现高分辨率遥感影像的高效且准确地分类是急需解决的重要问题。目前,在传统的高分辨率遥感影像分类方法中,最常用的是基于面向对象分类理论和机器学习算法进行分类,然而它需要人工参与分割参数选择和对象特征选取,过程耗时耗力,且机器学习中的浅层结构模型难以得到更好的分类效果。深度学习是近几年图像识别领域的一门新兴技术,能够自动学习影像深层次特征从而进行准确的分类决策,为得到更好的高分辨率遥感影像分类结果带来新的契机。本文研究了深度学习中的U-Net模型进行高分辨率遥感影像分类的方法,但目前的研究没有充分考虑多源数据对分类精度的影响,容易造成因光谱信息不丰富而产生的分类精度低的问题,同时分类后的影像存在细小错分现象、地物边界平滑的问题。针对上述问题,本文开展了以下工作:(1)围绕高分辨率遥感影像分类的主题,系统查阅了国内外相关研究进展,分析归纳了目前国内外的高分辨率遥感影像分类方法,阐述了利用深度学习方法实现遥感影像准确、高效分类的优势。(2)针对高分辨率遥感影像数据波段较少、模型特征学习丰富度有限的问题,研究将DSM、NDVI、nDSM等多源数据与原始影像的结合,参与深度学习U-Net模型的影像分类过程,并找到对提升分类精度最有效的多源数据组合;(3)针对分类影像存在细小错分现象、地物边界平滑的问题,引入全连接CRFs方法进行遥感影像后处理,利用网格参数搜索法得到全连接CRFs的最优参数,达到最佳后处理效果;(4)对比分析本文方法与传统基于面向对象的机器学习分类方法、全卷积神经网络FCN-8s模型在高分辨率遥感影像分类实验的结果,验证本文方法的有效性研究表明:nDSM影像数据对U-Net模型分类精度影响最显著,其包含的地物高程信息能够显著提高不透水地面、建筑物、低矮植被的分类精度;全连接CRFs能够消除影像中细小的错分现象,同时得到更加细致的地物边界;本文的研究结果对提高高分辨率遥感影像分类精度具有一定的参考价值。