随着对地观测技术的迅速发展,卫星图像的数量显著增加,大量的卫星图像中所蕴含的有价值信息亟待挖掘利用。本文针对卫星图像进行场景分类,即将卫星图像划分为住宅区、植被区等。对卫星图像的场景分类,能够精确掌握地物覆盖变化,这些信息的获取能够协助相关部门治理环境、合理利用土地资源、规划城市发展等。卫星图像往往信息量丰富、背景复杂而且带有噪声,由于这些因素的影响,传统的基于中低级视觉特征的遥感卫星图像场景分类方法很难取得较为理想的分类结果。之后的支持向量机(SVM)等浅层的机器学习算法在图像识别和分类任务中表现优秀,但由于结构简单,这些算法难以拟合复杂的函数,对于卫星图像场景分类问题泛化能力仍不足。近年来深度学习和人工智能的迅速发展,深度学习的应用范围越来越广,其中,卷积神经网络在图像场景分类问题上表现优异。本文基于卷积神经网络对卫星图像场景分类,采用了多种不同的卷积神经网络进行实验。首先,本文归纳总结了卷积神经网络的设计方法和基本原则,并据此设计了三种复杂度不同的卷积神经网络结构和两种复杂度不同的全连接层结构。为了优化设计的神经网络模型,引入了批正则化(BN)、dropout技术等多种方法。在实验部分,本文选取了RSSCN7数据集,设计实验分别对比了不同复杂度的神经网络结构对实验结果的影响,经过对比分类正确率、训练所需内存和训练时间等多种因素确定了较优的神经网络结构和全连接层结构。然后利用控制变量法,通过多组实验确定了网络模型的超参数,包括学习率,迭代次数和批量大小等。最终设计的卷积神经网络在本文使用的数据上达到了91.8%的分类正确率。然后,为了进一步探究在本文数据集上具有更好的分类效果的卷积神经网络模型,本文选取了三个经典的卷积神经网络模型进行实验,三种模型分别为:Le Net、vgg-f和vgg16。其中,Le Net模型较为简单,可以使用RSSCN7数据集上直接训练,通过优化模型和调参等方法提高网络的分类正确率。vgg-f和vgg16模型较为复杂,本文采用迁移学习的方法,将这两种模型的预训练模型在本文使用的数据集上进行二次训练,预训练模型中的参数作为二次训练的初始化参数。实验结果显示,Le Net模型分类正确率较低,为73.5%。而基于迁移学习的vgg-f和vgg16模型分别达到了92.3%和92.9%的分类正确率。最后,对比分析了本文设计的卷积神经网络与三种经典的卷积神经网络在卫星图像场景分类问题上的优劣。