近年来,随着遥感技术的发展,遥感影像的空间分辨率不断提升,不仅具有丰富的空间、纹理特征,而且包含了大量的细节信息,这也使得影像中小块农田识别的难度大大增加。传统的基于光谱统计特性的极大似然法、K最近邻算法等识别分类方法,由于仅利用影像的光谱信息缺乏对丰富的细节信息的充分利用,不能满足当前对小块农田信息提取的需求。针对以上问题,本文以高分一号遥感影像为数据源,基于深度学习中流行的全卷积神经网络算法,进行高分辨率遥感影像小块农田识别方法的研究,并将其应用到遥感影像小块农田的识别中,主要研究内容如下:针对图像中小块农田包含的有效信息较少、表达不足,传统方法识别困难等问题,基于稀疏降噪自动编码器SDA(Sparse Denosing Auto-encoder),提出一种训练样本图像目标增强算法。该算法首先将多个稀疏降噪自动编码器SDAs进行堆叠,得到一种堆叠式稀疏降噪自动编码器,采用L-BFGS算法进行训练,得到输入图像的高层抽象表示,作为原始信号的初级滤波,并加入到原有的特征中,得到增强后的样本图像,为后续训练更精确的小块农田识别模型提供高质量的数据支持。基于全卷积网络算法,在Tensor Flow框架下结合卷积神经网络模型VGG-19,建立用于高分辨率遥感影像小块农田识别的模型。根据VGG-19模型建立网络结构,在末尾增加上采样层,使用VGG-19中的模型参数初始化建立网络结构参数。针对识别结果中小块农田区域边界较模糊、识别精度较低等问题,模型将Sigmoid和ReLU函数进行叠加作为模型中的激活函数;同时结合朴素贝叶斯理论对全卷积网络算法中Softmax分类层输出的概率值进行优化,将采用朴素贝叶斯判别理论计算的概率值与对应区域的Softmax层输出值进行合并,以得到该数据点在每一类别出现的最终的概率值。经实验证明,训练后的该模型可取得更好的识别效果,并有效提高小块农田目标识别的精度。