随着遥感技术的不断发展,遥感影像的空间分辨率得到显著提高,影像中地物目标的清晰和丰富细节给高分辨率遥感影像的场景分类带来了巨大的挑战。高分辨率遥感影像场景分类是遥感图像解译中的重要组成部分,由于影像场景中地物类别的多样性、地物种类可变性大、同一地物类别的多样性,使得传统的影像场景分类方法不能描述复杂场景的高层次语义信息。而近些年深度学习算法的出现为影像高层次内在特征的提取提供了有效的方法。实现高分辨率遥感影像场景分类的关键是影像特征的选择和提取,而影像的纹理特征是遥感影像处理领域最常用的特征。针对因样本量少而导致的影像场景分类精度不高的问题,本文结合双树复小波变换、自适应步长技术和深度置信网模型提出了一种基于自适应深度置信网模型(Adaptive deep belief network,ADBN)的高分辨率遥感影像场景分类方法。本文的主要研究内容如下:(1)提出一种新的自适应学习率方法,该方法不仅可以根据重构误差的变化动态调整学习率的大小,而且考虑了重构误差的变化量对学习率的影响,基于此构建了自适应深度置信网模型,并在MNIST数据集上进行了实验分析,结果表明该模型可以更快的收敛,并且在数据集的分类准确率方面有所提升。(2)提取出高分辨率遥感影像小波域的纹理特征作为特征向量用于场景的分类。本文采用基于双树复小波变换的方法,将图像分解为多层子带图像,并利用广义Gamma密度模型和局部二值模式分别对影像的高频子带和低频子带进行特征向量的构建,实验证明该方法能够在高分辨率遥感影像场景分类中取得较好的结果。(3)本文还研究了基于小波域的纹理特征和ADBN模型在不同空间分辨率的高分辨率遥感影像场景的分类效果。通过对比分类精度、Kappa系数以及分类时长方面选取了最优的网络层数和隐藏层节点数,并且与传统的分类方法进行比较证明了本文提出的模型在不同空间分辨率下的高分辨率遥感影像场景中同样具有适用性与稳健性。