随着传感器技术的不断发展和进步,遥感影像的空间分辨率不断提高,高分辨率影像中的目标特征信息更加丰富。原来用于中低分辨率的遥感影像特征提取与目标检测方法已经无法满足高分辨率遥感影像的应用,使得高分辨率遥感影像自动或半自动地分类与识别面临前所未有的挑战。而近几年发展较快的深度学习为解决该问题提供了有效的方法。人类视觉信息系统采用稀疏编码方法,可以较容易地识别高分辨率遥感影像中的复杂目标。本文主要研究了基于Lorentz稀疏约束受限玻尔兹曼机(RBM)的高分辨率遥感影像分类方法。它基于深度学习理论,模拟人类视觉系统的信息处理机制,将稀疏约束引入到受限玻尔兹曼机中,有效地提取了遥感影像中的特征信息,实现了高分辨率遥感影像的分类的可靠性。研究的主要内容包括:(1).提出了基于Cauchy分布的Lorentz函数稀疏约束RBM(Lorentz function sparse constraint RBM,LRBM)模型。并对基于该模型的特征提取性能进行了可视化评价,而且还对特征稀疏度的表示和分类率进行了实验分析。(2).构建了基于Lorentz稀疏约束RBM的深度网络,并通过实验分析了该深度网络的性能。(3).提出了将LRBM与SVM相结合的模型,提高了高分辨率遥感影像分类的可靠性。首先,将LRBM作为高分辨率遥感影像的特征提取器,提取了影像有效的特征信息,去除了冗余信息。然后,利用SVM实现分类。论文中对遥感影像中的两类和多类分类进行了实验和分析,证明了LRBM和SVM相结合的模型是高分辨率遥感影像分类的有效方法。(4).本文还研究了网络模型的深度对影像分类可靠性的影响,实验证明单层LRBM已能满足高分辨率遥感影像特征提取的要求。