荒漠化如今已成为人类社会共同关注和面对的一个全球重大的生态环境问题,已经严重的威胁甚至影响到了人类的健康生存。在我国西北内陆大部分地区荒漠化又主要表现为沙漠化,而沙丘主要是由风力作用下的沙粒碎屑堆积而成的一种丘状或垅状的地貌,是沙漠和沙地的主要地貌类型。沙丘占我国沙漠及沙地面积的96%,沙区资源的开发、生态环境资源保护等各个方面均需要了解和掌握沙丘的主要区域形态特征和区域特征形成和演化规律。因此,采用高效合理的方法对沙丘形态进行监测是保护绿洲生态环境必要举措,对研究风沙地貌的区域特征、形成演化环境和过程以及为防沙治沙措施的合理配置都有积极意义。在沙丘形态分类的研究中,大多研究都通过目视解译的方法对沙丘形态进行分类,这种方法虽然精度较高,但却费时费力。此外,对于不同沙丘形态的交界处的区分相对较难,有些类型间的特点极为相似,边界模糊,反映在遥感影像上的特征相差较小,这给分类工作也带来了难度。针对以上问题,本文开展了下述的工作:首先围绕遥感影像分类和深度学习的内容,系统查阅当前国内外研究现状和研究进展,并分析和总结了相关研究的工作和方法,提出以多源高空间分辨率遥感影像为数据源结合深度学习进行沙丘形态分类研究。首先以Sentinel-2A、GF-1和Google Earth遥感影像数据为基础,结合野外实地调查,采用图像级影像分类的CNN网络Res Net-50结合Sentinel-2A多尺度样本数据对古尔班通古特沙漠南缘的沙丘形态进行分类,而后结合多源多尺度样本数据对沙丘形态进行分类,接着对两种方法进行精度评价,检验方法的适用性。紧接着,基于Sentinel-2A数据,采用像素级影像分类的FCN网络FCN-VGG对古尔班通古特沙漠南缘的沙丘形态进行分类。随后运用面向对象的多尺度分割方法对沙丘边界交错区域进行尺度分割,选取合适的参数和分割尺度,得到新一批的样本集后与FCN-VGG相结合,以提高分类器性能,解决沙丘形态边界语义分割的问题。得到结论如下:(1)卷积神经网络在沙丘形态分类的研究中能够在大面积范围上实现对沙丘形态的精确提取。实验结果表明,在沙丘形态分类的问题上,采用多尺度样本数据集对模型进行训练,能够解决小样本在深度学习中的适用问题。此外,运用多源数据对预训练模型进行微调,表明迁移学习对于克服传感器不同所带来的影像差异问题是有效的,相较于微调前的模型,总体精度提升了2.4%,kappa系数提高了0.0288。(2)全卷积神经网络在沙丘形态分类的研究中能够在局部解决沙丘交界处难以精确提取边界的问题。实验结果表明,在沙丘形态分类的问题上,FCN-VGG结合面向对象的多尺度分割,能够有效的提升沙丘交界处的分类精度。相较于未采用面向对象方法的FCN,总体分类精度和kappa系数分别高出了2.45%和0.0314,证明了这一方法能够提高全卷积神经网络在提取沙丘形态边界信息时的准确性。(3)面向对象的多尺度分割效果受分割尺度、形状参数、紧凑度指数影响较大,本文采用ESP对分割效果进行了量化评价,最终确定了在50～200尺度的不同沙丘形态间的最优分割尺度及最优参数。