对多光谱遥感影像进行准确和高效的分类,一直是遥感领域研究的热点,多光谱遥感影像包含地物丰富的光谱信息,可以使用这些信息对地物进行识别和分类。在过去的30年中提出许多传统的地物特征提取和分类的方法,例如最小二乘分类器、K均值分类器、支持向量机分类器和基于降维的主成分分析等方法。但是这些方法都不能提取多光谱遥感影像中地物的深层抽象特征,因此深度学习为解决这一问题应运而生。与传统的分类方法比,人工神经网络拥有较强的学习能力,具有一定的容错性,并且无需假设概率模型等特点,适用于复杂场景地物提取和空间模式识别等各类问题的处理。为了解决传统分类方法对多光谱影像分类产生的精确度低和效率低等问题,使用U-net网络能够有效的解决这些问题。U-net网络可以构建更深层次的网络结构,增加模型的训练参数,使模型能够学习更多的多光谱影像数据特征,针对特定的情景应用,设定与之对应的网络参数,能大大减少网络的计算时间,提高网络的精确度,进而提高多光谱影像地物的分类结果。如何使用改进的U-net神经网络对多光谱遥感影像地物分类是论文的研究重点,论文的主要研究内容如下所示:1)本文首先归纳总结传统的多光谱影像分类方法,如监督分类、无监督分类和半监督分类,分析了这些方法在地物识别中存在的精度不足、效率低和容错率低等问题,进而引出卷积神经网络在多光谱影像分类中的重要作用,证明了卷积神经网络对多光谱遥感影像分类的可行性与必要性。2)接着提出U-net网络结构的概念与改进,证明了改进的U-net网络适用于多光谱影像的分类,着重介绍了对多光谱影像的预处理,相比其它使用神经网络对多光谱影像分类方法,对训练数据预处理能够极大程度的提高网络的计算速度,使网络模型能够学习到更多的数据特征,提高网络模型的识别率。然后叙述了U-net网络的训练过程,分析了网络的模型结构、参数和评估指标。3)最后着重叙述了对实验结果进行后期处理的重要性,在许多使用神经网络做分类的方法中,都只是使用网络模型进行分类,而不对分类结果做任何的后期处理,导致分类结果精确度低和分类效果差。为了解决这一问题,使用图像处理的方式对实验结果做了进一步的处理。实验证明,对实验结果进行后期处理能有效的提升实验结果的精确度,为多光谱遥感影像的分类提供了一种新的方向。