土地覆被变化研究在全球环境变化和可持续发展中不仅占有重要地位,还是全球变化研究中的核心内容。土地覆盖分类是土地覆被变化研究的前提,遥感数据凭借其范围广、效率高、信息量大的优势成为获得土地覆盖信息的主要数据源。通过遥感影像的分类研究来提取土地覆盖分类信息已成为重要的研究热点。不同地区的土地覆被类型及分布情况差异较大。长三角地区土地覆被类型复杂多样,土地斑块破碎,遥感影像上“同谱异物,同物异谱”的现象严重。人工目视解译分类精度较高,但解译周期长,与遥感技术即时、高效的需求相悖。传统计算机自动分类效率高,但在土地覆被分布复杂情况下分类精度较低。针对以上问题,本文以提高地物复杂区域土地覆盖分类精度为目的,研究了深度学习中U-Net卷积神经网络模型的应用,并对U-Net模型进行了改进,引入全连接条件随机场模型,实现了对研究区域土地覆盖的分类,主要取得以下三点成果:（1）对Landsat-8 OLI卫星的多光谱波段进行波段计算,并采用随机森林算法中的平均精确率减少指标对研究区影像所得相关光谱特征及原始多光谱波段进行评价,根据特征的重要性程度,选取了 NDBI,NDWI,NDVI三个特征指数进行模型训练。针对中分辨率遥感影像样本数据集缺失的现状,探讨制作了本文研究所需的学习样本数据集。（2）实现了基于U-Net神经网络的遥感图像分类,得到了总体81.15%的分类精度。考虑到分类结果影像图中存在细小错分现象,缺失地物边缘细节的问题,引入概率图的思想。将 Dense CRF（Dense Conditional Random fields）引入 U-Net的模型框架中,对遥感影像实现端对端的训练,最终得到的总体分类精度达到了83.65%。（3）将本文提出的方法与浅层机器学习方法进行对比分析,利用同一区域的遥感影像进行了分类实验,其结果验证了本文方法的有效性。实验表明,利用U-Net神经网络可以有效地提高中分遥感影像的分类精度,而引入Dense CRF后,加强了同一地物之间的地物约束,进而减少了破碎地物的错分现象,得到更加细致的地物边界,本文的研究结果对提高中分辨率遥感影像在土地覆被类型复杂多样环境下的地物分类精度具有一定的参考价值。