遥感影像的自动分类系统一直是遥感影像处理领域的一个热点,也是一个难点。最早学者们使用基于像元的方法(如指数法、决策树、svm等)分类影像,在图像分辨率提高后,又有面向对象等一系列新的方法,但始终没有一个工业级的遥感影像自动分类系统面世,也就说明在准确率上现存方法都有一些问题。随着科技的发展,深度卷积神经网络算法在目标检测领域的优势有目共睹,也有很多学者将其应用到遥感影像的自动分类中,但受到传统习惯的影响,很多这方面的尝试是基于面向对象分割的,这限制了神经网络算法的潜力。本研究采用新的思路,通过提取边缘缓冲区作为神经网络的训练单元,结合多尺度和集成学习的思想,设计了一种新的遥感影像自动分类系统。经过实验,新方法在测试集的准确率达到97%,在训练集的准确率达到了93%。本研究的主要内容如下:(1)分析了面向对象分割在现阶段影像分类中表现不理想的具体理论原因以及现存的目标识别算法不适用于遥感影像分类的原因。(2)设计了多尺度边缘缓冲区的提取算法,边缘缓冲区的定义是沿垂直图像边缘方向向两侧做一定宽度的缓冲区。该算法能够对影像中的边缘缓冲区进行多方向,多尺度的提取,并能将提取到的数据还原回原图像位置。(3)应用了多层的卷积神经网络来学习边缘缓冲区的特征,设计了多个不同的卷积网络来适应不同尺度下边缘缓冲区特征的学习。(4)对分类结果采用集成学习的思想来确定遥感影像中对应位置分类属性,并将结果与影像多尺度分割后的结果进行信息融合,得到影像的最终分类结果。(5)通过大量插图展示了分类的效果,给出了算法改进的建议。