本文对高分辨率遥感影像分类进行研究。为准确描述高分影像包含信息,使用深度学习的模型对影像建模。深度学习模型可有效提取数据特征,本文对使用区域信息的卷积网络影像分类方法进行了探讨。在使用卷积网络模型时,针对卷积神经网络用于遥感影像分类时使用固定大小窗口遍历,影像采样窗口数量过多,导致的分类效率低下问题,本文提出一种基于影像区域特性的采样窗口确定方法,以提高分类效率。影像分类包括两个阶段:首先,使用区域分割的方法得到影像区域信息。然后在区域分割的结果中选取影像块,使用卷积神经网络进行分类,得到对应区域分类结果。实验发现卷积网络会在几种固定类别中产生错分。因此,采用支撑向量机对第一步分类的错分类别进行再分类。采用具有不同特性的遥感影像对所提方法进行了验证,实验结果表明,同现有的特征表示和分类方法相比,该方法的性能有明显改善。此外,使用全卷积网络模型同样可减少经典卷积神经网络的重复计算问题,但全卷积网络的分类结果不够精细。因此在全卷积网络中添加深层监督实现对影像区域信息的利用,使得网络提取的特征在边界处产生响应,而在同一地物内部无边界响应的产生,得到更精细的语义分割结果。另外,本文尝试设计了一种基于区域一致性的损失函数,以实现对影像区域信息的利用。最后,通过实验对本文结合影像数据特征的方法进行评价。结果表明,与现有模型对比,引入边缘信息的网络模型和区域一致性约束损失函数可有效提高影像语义分割的精度。