卫星遥感影像记录了几十年来地球表面的各类信息及其变化情况,已经被广泛应用于气象气候、农林水利、城市规划、国家安全等关键领域。如何从海量的遥感影像中自动提取出有效信息,精确而高效地进行遥感影像的分析和理解,是在上述领域中成功应用遥感技术的关键。近年来,人工智能,尤其是深度学习技术的蓬勃发展对遥感影像分析研究带来巨大推动,以卷积神经网络为主的深度学习方法已经在地表覆盖分类、目标识别及提取等问题中展现出巨大潜力,然而在研究区域尺度、多源数据融合、模型准确率等方面依然存在局限。针对上述问题,本研究以智能化地理解遥感影像中的结构化信息为目标,从粗尺度下的“地表覆盖分类制图”到精细尺度下的“油棕榈树识别”和“建筑轮廓提取”,以深度学习为主要方法,在数据集构建、方法模型设计、实验结果分析等方面进行了改进和创新。首先,本研究提出基于图像分类深度学习模型的中国地表覆盖制图方法,首次将深度学习应用于中国尺度地表覆盖问题,在数据层面融合了谷歌地球高分辨率影像和Landsat等中分辨率数据,在方法层面充分利用了不同数据在纹理和光谱等方面的特点。本研究在整个中国验证样本上取得84.4%的准确率,在现有研究最高准确率基础上提升4%,显著减少了不同植被类型及不透水层之间的混淆。其次,本研究提出基于目标检测深度学习模型的油棕榈树识别方法,首次将深度学习应用于卫星影像树木识别问题,在数据层面建立了基于Quick Bird卫星影像的油棕识别数据集,在方法层面提出了基于二阶段卷积神经网络和基于端到端深度学习目标检测模型的油棕识别方法。本研究在位于马来西亚的面积约55平方千米的区域上取得最高94.53%的整体准确率,与已有的树木识别方法相比提高了7%-16%,显著减少了油棕和其他植被之间的混淆。最后,本研究提出基于语义分割深度学习模型的建筑轮廓提取方法,在数据层面首次对融合多源地图数据和卫星影像对建筑轮廓提取的作用进行探索,在方法层面提出了完整的基于U-Net语义分割模型的建筑轮廓提取方案。本研究在Space Net建筑数据集上取得约70.4%的整体F1分数,在2017 Space Net建筑提取竞赛第一名基础上提升了1.1%,并结合四个城市实际情况对结果进行了深入分析。本文提出的方法有效地改进了大尺度地表覆盖制图、树木识别、建筑轮廓提取结果,为大范围的生态、农林、城市规划等方面的研究提供更准确的基础数据。