全文总字数：3339字

1. 研究目的与意义及国内外研究现状

硬件的最新进展以及非常大的数据集和强大的训练算法的可用性使得深度神经网络不仅易于处理，而且在某些问题上它们的性能比其他算法高出一个数量级。深度学习特别成功的一个领域是计算机视觉，它使用一种称为“卷积神经网络”的网络，通常称为convnet或cnn。卷积神经网络具有有趣的特性，即网络的第一层倾向于学习模仿人类视觉中观察到的模式（gabor wavelets，（daugman，1988））。在遥感领域中，高空间分辨率图像中的地物场景分类是至关重要的。因此，遥感领域的研究人员一直为开发用于该任务的越来越准确的方法做着各种各样的努力。

2. 研究的基本内容

第1章，绪论。本章首先论述了本文的研究背景及意义，随后大致介绍了目前遥感图像分类的常用方法以及国内外研究现状，最后简述了本文的主要研究内容。

第2章，神经网络知识。本章包含神经网络和卷积神经网络两个部分的内容，第一部分介绍了传统机器学习和深度学习中涉及到的神经网络知识，第二部分详细介绍了目前在深度学习领域应用最为广泛的卷积神经网络的相关知识。

第3章，基于vggnet-16神经网络的遥感图像分类。本章内容为本文的关键之处，首先介绍了研究使用的实验环境python语言和tensorflow深度学习库以及实验所用到的相关数据集，然后详细阐述了vggnet-16这一在ilsvrc中表现出众的卷积神经网络结构以及研究使用到的随机梯度下降算法，最后展示了本文的研究结果以及和传统分类方法的精度对比。

3. 实施方案、进度安排及预期效果

1、实施方案及进度安排

2018年12月-2019年1月：收集相关研究资料，了解遥感图像场景分类的常用方法及其优缺点

2019年2月-2019年3月：学习卷积神经网络的相关知识，编写相关程序代码

4. 参考文献

[1] 李石华,王金亮, 毕艳, et al. 遥感图像分类方法研究综述[j].国土资源遥感, 2005(2).

[2] 闫琰,董秀兰, 李燕. 基于envi的遥感图像监督分类方法比较研究[j]. 北京测绘, 2011(3).

[3] 罗来平,宫辉力, 赵文吉, et al. 遥感图像决策树分类器研究与实现[j]. 遥感信息, 2006, 2006(3):13-15.