地图经历过了上千年的研究和发展,早已是一个经久不衰的实用工具。即使在遥远的未来,在导航、地质研究等行业中地图仍然有不可被取代的地位。地图首先通过原始的手绘方式,再到卫星发射后远距离输送遥感图像,最后直到计算机的兴起,地图在顺应人们的需求中逐渐完善。目前人们使用的地图有两种形式,一种是遥感地图,一种是电子地图。电子地图中包含了所有城市的市政区域、道路交通状况和商业信息。一般而言,电子地图中道路、建筑、水域的信息,通常都是从遥感卫星图像中识别转换而来。本文的主要目的是从遥感卫星地图图像中提取道路、建筑、水域和农田的信息。遥感卫星地图的识别上拥有三个难点。难点一是信息量过于丰富,颜色多元化和地形信息过于复杂。难点二是特征提取存在障碍,由于卫星对地球是一种俯视关系,存在一定的低层遮挡现象。难点三是识别实时更新速度慢。截止到2019年,中国修建的公路总里程达到484.65万公里,位居世界第一。中国公路快速发展的同时,中国基建的更新速度加快,无疑给识别的实时性增加了难度。综合以上三点问题,如今使用深度学习对遥感卫星的识别研究已经成为了一个主流研究方向,本文也将基于此方向进行实验和研究。上世纪七八十年代,国内外就已经开始着手于遥感卫星的信息提取方法的研究。从最初使用浅层网络,到如今近十年火热的深度学习,遥感卫星的信息提取研究方向经历了很多次的转变,目的就是为了尽可能地提高识别精度和识别效率。但是如今多数研究方向集中在城市的识别,忽略了农村的复杂多样的道路、样式多变的建筑以及颜色各异的水域。本文的主要研究方向将围绕在农村的道路、建筑、水域和农田上,着重解决如何使用多种网络提取高分辨率下的遥感卫星地图信息。本文的主要任务是利用深度学习,将高分辨率下的遥感卫星地图进行多目标识别。在多目标识别之前,本文将进行道路、建筑、水域、农田的二分类识别,探索效果较好的网络进行改进。在实验前,将通过特定的标注软件,获得大量的标签图,会很大程度上降低训练的误差,也能保证图像的多样性。本文在识别中使用了多种网络进行实验对比,找出最能适用于遥感卫星图像多分类的一种网络。本文尝试利用普通的卷积神经网络,对遥感卫星图像进行实验。为了引入D-LinkNet,将使用其他相似的语义分割网络对比,其中包括了经典的FCN全卷积网络,以及常用于医疗图像的UNet网络。同时本文为了丰富方法的多样性,使用到了生成对抗式网络的衍生网络Pix2pix和Cycle GAN进行对比。在经过大量实验后,本文将着重使用D-LinkNet进行改进。为了保持D-LinkNet的识别效率和识别方式,本文将改进D-LinkNet网络的部分结构。在二分类识别以及多分类识别中,在预测时都采用了基于几何变换的投票机制预测方法,提高了预测时的准确率。该网络的最后的结构只运用于二分类,并不满足本文对多目标识别的需求。于是将D-LinkNet在道路,建筑,水域,农田进行单目标识别后,将该实验网络加入One-Hot编码机制,将最后一层输出为拥有类别个通道的多通道形式,将每一层的像素点都是二分类,即背景和该通道的类别,输出概率值0道1之间。为获得更好的多分类的实验结果,加入了S oftmax和Cross-entropy。经验证能达到多分类的效果,且改进后的D-LinkNet网络能很好的划分出各个区域。