海冰灾害在多个地区都有发生,对海冰灾害进行了重点研究,在我国渤海地区是最严重的海洋灾害之一,对沿海经济发展及其居民的生计产生了严重影响,造成了巨大的经济损失,因此海冰灾害研究刻不容缓,且具有重大的研究意义,遥感海冰技术为现阶段研究海冰灾害提供了有效的技术手段,为研究做了铺垫。海冰分类是海冰检测的重要内容。常见的遥感海冰数据主要有SAR影像、高光谱影像、多光谱影像等,SAR图像包含大量纹理信息,高光谱和多光谱图像包含大量光谱和空间信息,这几种数据为遥感海冰分类研究提供了重要的数据支撑,使得研究分类方法可以进行下去;常用的分类方法主要包括两大类,一种是传统的分类方法,主要是通过人工设置部分参数来提取遥感海冰的特征,因参数的不确定性以及多依赖于现有的经验会消耗大量时间成本,而且通过这种方式提取的特征大多都是浅层特征,无法获得较好的分类性能,另一种是利用深度学习的方法进行分类,主流的深度学习方法有CNN、DBN、RNN、SAE等,通过深度学习算法可以更好的提取图像的深层特征,使得分类性能较传统的分类算法有很大的提升,而且通过利用深度学习的方法可以通过多组实验对比来选择最优参数,也节省了时间成本。深度学习的方法能够将遥感海冰数据所包含的信息最大化的提取利用,因此利用深度学习研究遥感海冰数据是必然的趋势。因深度学习中算法众多,研究适合遥感海冰图像分类算法是本文的重点。本文对于遥感海冰图像分类的研究是基于像素点分类,以某一像素点为中心取邻域块,作为对该像素点的训练样本,邻域块尺寸不易过大导致利用主流的深度学习算法会因输入尺寸的影响使深度学习的层数受到限制,不能充分挖掘影像中的深层特征,影响海冰总体分类精度的进一步提高,因此本文提出了一种基于残差网络特征融合的图像分类方法,首先利用CNN中的一个卷积层提取图像中的特征,通过残差网络来加深网络层数挖掘海冰深层特征,其次通过FPN、PAN模块和SPP模块进一步挖掘遥感海冰图像的多层次、多尺度特征,实现多层级特征融合,为遥感海冰图像分类提供新的方法和思路。本文的主要研究内容如下:首先介绍了遥感海冰图像分类的国内外研究现状,针对传统遥感图像分类方法由于不能提取深层特征导致分类精度较低的问题,以及遥感海冰像素级分类研究中,由于训练样本输入尺寸的限制导致深度学习网络层数被限制和不同网络层次提取的特征没有得到充分利用等问题,提出利用改进的残差网络进行多层级深度特征的提取和融合的思想解决遥感海冰图像分类问题。描述了遥感图像分类原理、深度学习原理和遥感图像分类中的深度学习方法,还简要介绍了一些常见的深度学习模型。本文提出了一种基于残差网络的多层级特征融合的遥感海冰图像分类方法,将卷积神经网络与残差网络相结合,构建深度学习网络基础框架,进而探索了几种常见的多层次和多尺度的特征提取分析,其中多层次特征提取分析中对比了反卷积和特征金字塔的特征提取方式,多尺度特征提取分析中对比了add和concat两种不同连接方式的SPP算法,以2008年渤海海冰数据为例进行实验分析研究,确定多层次特征提取采用特征金字塔方式,多尺度特征提取采用基于concat连接的SPP算法.由此改进的残差网络结构包括一个卷积层和三个残差块,并通过特征金字塔的方式进行多层次特征融合,通过SPP模块提取输入到全连接层的最终特征图的多尺度特征,充分挖掘了遥感海冰图像中的深度特征并进一步融合了不同层次、不同尺度的海冰特征,提高了海冰图像分类精度。高光谱和多光谱影像包含丰富的空间信息和光谱信息,为了更充分利用影像本身包含的信息,本文通过PCA方法提取原始影像中的第一主成分,并经过一层二维卷积提取特征,因卷积后的特征图尺寸会变小导致网络模型无法加深,利用残差网络思想加深网络层数,FPN、PAN和SPP模块增加层与层特征之间的挖掘,另外,通过融合不同层间的特征而进一步提高了图像分类的准确性。因此通过本文提出的基于残差网络的多层级融合方法,不仅可以加深网络层数,也可以通过层与层之间的特征融合弥补丢失的信息,为验证本文方法的有效性,分别在2008年渤海湾的高光谱影像和2018年的渤海湾多光谱影像进行海冰分类,实验结果表明,相对于传统的机器学习SVM方法,本文方法更能提取到深层的特征信息,相对于深度学习网络层数少的CNN算法和网络层数较多的残差网络算法,本文提出的基于残差网络的多层次特征融合方法有效解决了深度特征提取不充分、利用不充分的问题,获得了更好的分类性能。