全文总字数：3640字

1. 研究目的与意义及国内外研究现状

对遥感图像进行目标分类研究是获取土地覆盖信息的重要方式，无论从社会经济度还是生态环境角度都具有重要的意义。地表覆盖真实地反映地表覆盖的情况，它与人类的生产和生活息息相关，是生态环境变化研究、土地资源管理和可持续发展的基础。在海情监控方面，利用遥感图像对海洋目标进行分类，可以有效监测海情变化，为人们的生产生活及时做出必要的警示；在城市规划方面，对遥感图像中的房屋、树木、道路等目标进行分类，可以帮助政府有效的对城市布局安排等做出合理的规划；在环境监管方面，可以对重点大型污染企业进行目标分类，重点监控，有效对排污的行为进行整治；在抢险救灾方面，可以对地震地标物体和海啸海洋目标等进行分类，提高抢险救灾的效率；在军事侦察领域，可以对飞机、舰船等目标分类，利于我方及时做出合理的战术应对。随着遥感技术的不断发展，现在遥感图像呈现出高光谱、高空间、高分辨率的特点，从图像中得到的信息越来越全面，其应用领域范围也在不断扩大，遥感图像已经成为人们快捷方便生活所不可或缺的一个元素。

深度学习在自然场景图像下的成功促进了深度学习在遥感图像领域研究的发展。但是由于遥感图像成像的复杂性和其本身图像的特殊性，比如图像尺寸巨大，阴影噪声的干扰，纹理分布不均匀，光照变化的不均匀等，对深度学习在遥感图像上的应用提出了更高的要求。所以如何更加有效准确的利用深度学习对遥感图像进行目标分类具有很重要的理论意义。

tensor flow的深度学习方法通常需要海量的训练样本以提取其特征，这与遥感图像大数据的特性相符合。目前遥感影像地物识别检测的目标主要集中在飞机、机场、舰船等特征较明显的目标对象，本课题将针对特征较明显的地物目标——道路进行识别检测。且目前利用tensor flow进行遥感目标物识别还不太广泛，利用tensor flow进行遥感地物识别具有重要意义。

国内外研究现状

深度学习作为机器学习领域的一个分支，其概念由 hinton andsalakhutdinov（2006）提出。深度学习技术通过模拟人类大脑对知识进行学习与分析的机制，可以在无需人为干预的情况下从大规模的训练数据中学习高层次的特征提取规则，从而实现数据高层次特征的自动化提取。

2. 研究的基本内容

本课题在阅读大量文献的基础上，结合遥感影像的特点，利用深度学习方法对遥感地物进行识别探究，具体研究内容如下所示：

（1）从网上下载得到包含道路、建筑物等信息的遥感图像数据集。如：uc merced land-use data set和road and building detection datasets等。

（2）确定适宜的深度学习方法：如卷积神经网络等。

3. 实施方案、进度安排及预期效果

⑴2019年2月—2019年3月：进行并完成遥感地物数据集（道路等特征）的收集工作；完成数据的预处理；分析数据模型和具体实施模型，研究其优劣并进行选择。

⑵2019年3月—2019年4月：利用深度学习方法和遥感地物数据集进行识别探究，对比研究结果，改善研究方法，并得到研究结果。

2019年5月：分析研究结果，对比研究数据进一步完善研究过程，完成毕业论文并提交。

4. 参考文献

[1] 李亚飞, 董红斌. 基于卷积神经网络的遥感图像分类研究[j]. 智能系统学报, 2018, 13(4):550-556.

[2] 任芳语, 肖扬, 郑思远, et al. 基于tensor flow的遥感影像地物识别方法研究[j]. 科技创新导报, 2018(11).

[3] 张康,黑保琴,李盛阳,邵雨阳.基于cnn模型的遥感图像复杂场景分类[j].国土资源遥感,2018,30(04):49-55.