随着中国城镇化和智慧城市建设的推进,对城市精细化治理提出新挑战。深刻理解城市区域功能,把握城市空间结构,对提升城市治理水平有重要意义。本文着重关注于通过图像智能识别技术,划分城市功能区域。本文基于15000张城市功能区域遥感图像及对应文本信息的数据集,分析多种理论方法,并进行实验对比优劣程度,验证并改进算法模型。最终在应对不同大小数据集的分类任务中,分别采用了 PSO优化的PCA-SVM算法模型以及改进的ResNet50网络模型进行城市功能区域分类,本文的主要研究内容有:1、采用空间变换、添加高斯噪声、色彩增强、锐化等多种数据增强算法,针对五类共计15000张城市功能区域遥感图像的数据集进行数据增强,在一定程度上避免了过拟合现象的发生,改善了模型稳定性与鲁棒性,提高模型的泛化能力。2、在数据预处理的基础上,提出了基于PCA-SVM的城市功能区域划分模型,使用PCA算法提取图像特征,送入采用一对多法的SVM分类器进行分类,并进一步使用PSO算法参数寻优,从而优化网络模型。经过优化的网络模型准确率提升了 1.20%,kappa系数提高了0.0206,但该模型在数据集增大的情况下准确率会有所下降。3、基于15000张城市功能区域遥感数据集,通过理论分析,选取VGG-16网络模型、ResNet34网络模型、ResNet50网络模型进行实验对比。基于实验验证结果,ResNet50网络模型准确率最高且训练时间相对增加不多,最终初步选择ResNet50网络模型作为城市功能区域划分模型。4、针对初步选择的城市功能区域划分模型——ResNet50网络模型上进行改进。首先在原有数据样本的基础上引入mixup算法,生成虚拟样本,增强了网络的鲁棒性,提高模型训练的稳定性。其次加入文本特征,通过全连接层进行特征拼接,经过改进的网络计算量没有明显增加,而基于城市功能区域数据集的测试准确率提高了 1.31%,达到72.30%5、基于改进的ResNet50网络模型进行优化实验。通过多次实验对比分析,确定了城市功能区域划分模型的batch_size、激活函数以及梯度下降算法,使得分类准确率进一步提升,最终准确率达到72.66%,kappa系数达到0.7249。6、基于最终确定的网络模型创建用户界面,使得城市功能区域划分更加便利。本文通过多种算法进行实验对比分析,在较小城市功能区域数据集上使用PSO优化的PCA-SVM算法,准确率达到70.80%;在数据集较大的情况下,以ResNet50网络模型为基础进行改进,最终准确率达到72.66%,能够较好地完成城市功能区域划分任务。