如今遥感影像的光谱波段越来越多,分辨率也越来越高,在各个领域中受到广泛的应用,但这也带来了一些新问题,如:单景影像的数据量越来越大,深度学习分类算法处理的复杂度越来越高,如何利用分布式并行处理技术提高遥感影像分类算法的时效性,同时解决遥感数据分布式存储管理问题,是该领域必须面对的难点之一。在存储管理方面,利用分布式并行处理机制对遥感影像进行分类,就涉及到遥感数据的分布式存储问题,但当前的分布式存储方法存在索引速度慢、存储空间浪费等问题,无法对遥感影像进行高效的管理;而在影像分类方面,由于当前获取遥感图像标记数据较为困难,并且得到的影像分辨率也越来越高,在传统的单机环境下运行深度学习分类算法效率较低。本文针对以上问题,将传统的WebGIS平台以Hadoop与Spark作底层进行架构设计,实现对遥感影像的并行化处理,同样在Spark计算平台中设计了基于残差网络的遥感影像分类的并行化方法,对遥感影像进行分类。主要工作有:(1)将Hadoop与Spark作为底层架构对WebGIS平台进行改进,使其能够在HDFS中存储遥感影像,然后通过GeoHash与HBase建立索引机制,对HDFS中的数据进行二次存储,最后使用SpatialRDD对遥感影像进行处理。(2)研究在单机环境下通过残差网络对遥感影像进行分类,通过实验对遥感影像分类的精度与时间性能进行分析。(3)研究TensorFlowOnSpark框架下实现残差网络分类算法的并行化技术,使用模型并行化与同步更新模型实现,最后与单机情况中的残差网络遥感影像分类结果进行对比,虽然在分类精度中比单机情况的精度略低,但时间性能大大提升,证明了基于Spark平台的并行化计算框架的时间有效性。