海冰在全球的海洋面积中占比为5%～8%,是极地和部分中高维度区域最突出的海洋灾害。极地海冰异常会对大气环流产生影响,破坏淡水的平衡,影响生物的生存。中高纬度海冰灾害影响人类海洋渔业、沿海建筑业和制造业,造成严重的经济损失。因此,海冰检测具有重要的研究意义,海冰图像分类是其中的重要内容。海冰分类是海冰检测的重要内容,遥感技术能够提供全天候、大范围、实时的数据,遥感海冰分类是海冰分类主要手段。目前基于遥感图像分类的数据类型主要有两种:一是基于合成孔径雷达（Synthetic Aperture Radar,SAR）遥感数据的海冰分类,SAR遥感数据含有丰富的纹理信息,能为海冰分类提供有价值的细节信息;二是基于光学遥感图像的海冰分类,光学遥感图像蕴含着丰富的光谱信息和空间信息,这些特征信息在海冰分类中扮演重要的角色,但是目前将光学遥感图像应用在海冰分类中比较少。近几年,深度学习在计算机视觉方面快速发展,人工智能的爆发式发展,各种深度学习算法也逐渐开始发展成熟,深度学习在遥感图像分类领域受到广大研究者青睐,为基于深度学习的遥感海冰分类奠定基础。海冰分类问题中,由于各种海冰类型分布比较复杂,对于准确划分海冰类型比较困难。一方面由于海冰分类算法中大多是浅层学习的算法,无法提取到的深层次的特征,而深度学习的代表算法之一的卷积神经网络（Convolutional Neural Networks,CNN）不仅能够提取浅层的特征信息,也能提取深层次的特征信息,为海冰分类提供一种思路。另一方面现在的海冰分类算法使用的实验数据主要以单一的数据源为主,由于单一的数据源所包含的特征信息种类比较少,对于进一步提高海冰分类的精度有一定的局限性。而不同质的遥感数据包含着不同的特征信息,可以通过提取异源数据的特征然后融合得到种类丰富的复合特征。因此,为了提取异源多种层次的特征信息,本文提出一种基于异源多特征融合的遥感海冰图像分类方法,利用卷积神经网络提取不同层次的特征和提取异源数据的特征进行融合得到复合特征,建立一套有效的多源遥感海冰分类模型,为遥感海冰分类提供了一种新的思路。本文的主要研究内容如下:1)针对本文提出方法的构思,介绍了目前海冰检测研究的国内外现状,深度学习多源遥感数据分类的研究现状,为实验提供了理论依据。同时详细阐述了卷积神经网络的结构和原理,遥感图像分类的原理,并对数据融合的像素级融合、特征级融合、决策级融合的三种融合策略做详细介绍,最后介绍了基于卷积神经网络进行特征级融合策略的异源特征融合方法,分析了卷积神经网络在多源特征融合的可行性。2)基于常用的海冰分类方法大多使用单层次特征的问题,本文对不同层次的海冰特征进行分析。利用卷积神经网络能够提取不同层次特征信息的特点,将使用低高层特征融合、中高层特征融合、低中高层特征融合三种方式,分析不同层次特征对海冰分类结果影响程度,为下一步实验做铺垫。3)在上述研究的基础上,并针对常用的海冰数据为单一源数据无法为分类提供足够特征信息的问题,提出了一种基于异源多特征融合的遥感海冰图像分类方法。首先本文方法的模型采用两个分支卷积神经网络,利用改进的空间金字塔模型（Improve Spatial Pyramid Pooling,ISPP）作为一个分支提取SAR图像的多尺度特征信息;同时,利用另一个分支（Path Aggregation Network,PANet）网络在光学遥感图像提取不同层次的特征信息。实验数据选取两套高维度的哈德逊湾极地海冰数据,通过分析模型的卷积核、训练样本大小和异源数据的输入样本之间比例关系对分类性能的影响。其中,两套数据的精度分别达到了96.61%和95.59%。通过其他典型的图像融合方法比较,本文建议的算法取得较优的分析结果。