土地利用的情况在我们日常生活中起着重要的指引作用,我们可以通过分析土地利用的情况来规划土地资源,同时可以对生态环境进行保护。由于全球土地利用的情况在不断发生着改变,并且遥感技术的发展速度与日俱增,更加准确的获取多光谱遥感影像的土地利用信息变得非常有必要。目前为止,大多传感器在分辨率上仍然很难达到我们在土地利用分类研究中的要求,所以提高土地利用分类精度依然是国内外学者研究的大趋势和大方向。本文以石嘴山市为研究区域,依照美国地质勘测局与中国科学院土地利用分类体系,结合石嘴山市的自然人文特点,建立了符合石嘴山基本情况的土地利用分类体系。使用大气校正与主成分分析算法对遥感图像进行降维处理,使得降维处理后的图像更好的反应诸如林地、草地等的地形特征。本文提出一种基于梯度锐化的离散小波变换(DWT)算法和一种基于最优权重法的K-means模型分割算法对实验区域的图像进行处理,为土地利用分类提供高质量的数据集,使得分类精度有所提高。首先,针对多光谱图像和全色图像在融合过程中容易出现边缘信息缺失的问题,提出一种基于梯度锐化的离散小波变换(DWT)算法。该算法通过将全色图像与多光谱图像融合,使得光谱信息保留的更加完整,为下文土地利用分类创建数据集提供了良好的基础。通过对结果的分析以及与其他算法的对比发现,本文提出的方法对边缘细节保留的更完整,取得较好的效果。其次,针对传统K-means算法不易获得最优质心及易于趋向局部最优的问题,提出一种基于最优权重法的K-means模型对遥感图像分割的方法。该方法有效的解决了局部最优和初始聚类中心的问题,提高了图像的分割精度,为下文创建标签数据集提供了数据依据。将本文提出的算法与传统的K-means分割算法及GA分割算法相比发现,本文提出的算法对遥感图像分割的效果更为明显。最后,对本文提出的基于梯度锐化的融合算法和基于自适应权重的K-means算法处理得到的遥感图像进行选取,制作深度学习训练数据集。分别使用U-net网络与最大似然法和支持向量机对改进算法处理过的数据集与原数据集进行比较,比较后发现,相对于传统的监督分类方法,深度学习方法分类精度更高,分类精度分别提高了 20%和7%;相对于原数据,经过改进算法处理过的图像分类精度更高,三种分类模型精度分别提高了 2.5%、3.6%和8%。