近年来,深度学习在人脸识别、图像分割、语音识别等方面取得了巨大进展,其中全卷积神经网络可以对多维数据进行自动特征学习,在图像的语义分割方面得到了成功的应用和推广。另外,高分辨率遥感影像数据获取日益便捷,为森林资源的精细监测提供了条件和可能,影像数据空间分辨率的提高,提供了更多的地物细节信息,但数据量也在成倍增长,对严重依赖人工解译和遥感特征提取的传统分类方法提出了新的挑战。在深度学习的各种网络模型中,全卷积神经网络U-net可以有效地改善遥感目标识别及地物分类的效果。此外有研究表明,通过少量的调整对类别区分敏感的相关遥感特征以及使用条件随机场(CRF)后处理方法,可以优化FCN-8s深度学习模型,但这种处理策略是否也适用于基于U-net的高空间分辨率多光谱遥感影像森林类型分类,相关研究尚较为缺乏。本研究针对国家森林资源规划设计调查业务对高空间分辨率多光谱遥感分类技术的应用需求,以内蒙古自治区赤峰市旺业甸林场为研究区,针对具有高空间分辨率特点的多光谱-全色卫星遥感数据,开展了全卷积神经网络深度学习森林类型分类方法研究。主要研究内容和结论如下:(1)多光谱影像全卷积网络深度学习森林类型分类方法采用2015年冬季的GF-2多光谱影像(不用全色影像),以6大地类(含森林类型3类)的分类为目标,采用相同的遥感数、训练样本和检验样本,对两种深度学习分类方法(U-net、FCN-8s)和两种传统机器学习分类方法(SVM、RF)进行比较评价,发展一种分类效果相对最优的多光谱影像森林类型全卷积网络深度学习分类方法。研究结果如下:优化后的U-net模型(U-net-NDVI-CRF)的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入NDVI特征的U-net模型以及未使用CRF进行后处理的U-net模型的分类精度;优化后的U-net模型与使用相同分类输入数据的FCN-8s,SVM和RF的分类结果相比,分类精度大幅度提高。(2)多光谱和全色影像全卷积网络深度学习森林类型精细分类方法考虑到冬季影像适合识别落叶、非落叶森林类型,但不适合识别不同类型的落叶林,而生长季的影像具有识别更多森林类型的优势,本研究采用2017年生长季的GF-2多光谱和全色影像,对以上发展的U-net-NDVI-CRF深度学习分类方法的适用性进行了更加深入的实验研究。一方面探索了该方法对不同季节获取影像的适用性,另一方面也探究了该方法对增加全色影像和提高待分类类别数(共12类,其中含森林类型6类)的适用性。研究结果表明:通过将多光谱和全色波段融合,然后采用U-net-NDVI-CRF进行森林类型的精细分类,可有效提高可区分的森林类型数(由3类提高到6类),而且该方法和其他两种对照FCN方法相比,具有更高的分类精度。总之,本研究所发展的基于U-net模型的全卷积神经网络分类方法U-net-NDVI-CRF,不仅对不同时相GF-2遥感影像具有很好适应性,而且对只利用多光谱影像识别较少的类别与基于融合影像对地类进行更精细的识别,都是一种相对最优的分类方法,适用于高空间分辨率多光谱卫星遥感影像的森林类型精细分类。