对遥感图像进行准确和高效地分类,一直是遥感应用领域热门的研究方向,其应用范围包括森林火灾检测、地表覆盖鉴定、地理图像检索和城乡规划等领域。遥感技术的快速发展产生了大量亟需分类的遥感图像集,这对遥感图像的分类方法和效率提出了更高的要求,传统的分类方法提取的图像中低级特征无法达到理想的分类精确度,因此研究高效高精确率的遥感图像分类方法是一项有重要应用价值的课题。深度学习领域的卷积神经网络目前在图像分类和目标检测任务中表现出色,其分类准确率远高于基于传统手工设计特征的分类方法。卷积神经网络需要大规模的标签数据集进行训练才能得到分类效果好的的模型,遥感图像由于其裁剪标注的复杂工序很难得到大规模的的标签数据集,使用样本量小的遥感图像集训练神经网络模型容易出现过拟合的情况,并且使用遥感数据集搭建并训练的网络模型复用性差,它对除训练数据集以外的新遥感图像集的分类表现很差。为了解决上述难题,本实验提出了基于迁移学习方法和预训练卷积神经网络模型的迁移算法框架,将在大规模数据集上预训练好的模型和其权重参数迁移应用到小样本遥感图像分类的问题上。本文的主要研究内容如下:(1)本文首先对国内外深度学习和卷积神经网络的研究现状进行了综述,引入了迁移学习的方法,详细介绍了实验所用的三种预训练卷积神经网络模型,提出在VGG-16网络所有的激活层前加入BN层的结构改进,提高了网络的收敛速度和分类准确率。(2)设计并构建了适用于遥感图像数据集的迁移框架模型,将在大规模图像数据集上预训练好的卷积神经网络的权重参数迁移到样本量相对较小的遥感数据集上进行微调训练直至收敛。在此框架基础上进行实验,设置了多组对比实验研究了不同的数据集规模、不同的网络结构和不同的微调深度对迁移学习分类效果的影响,总结了针对遥感图像数据集使迁移效果最优化的准则。(3)提出了一种基于峰值收敛的迁移模型微调最优深度的求解算法,该算法在寻找到模型最优微调深度和最优分类准确率的情况下大幅减少了网络训练时间,为迁移学习模型寻找微调最优深度提供了一种普适基准策略。(4)最后提出了一种基于迁移学习微调模型的特征融合算法,将三种微调模型从输入模型的遥感图像中提取到的特征进行融合,并加入图像HOG特征补充图像底层语义特征,使用该融合特征训练线性分类器得到分类结果,设置了多组对比实验,实验结果表明该特征融合算法的分类准确率明显高于参与融合的单个微调模型,该算法取得了本文对遥感图像数据集分类的最高准确率。