随着卫星遥感技术和计算机技术的不断发展,人工智能技术在遥感图像领域有了非常广泛的应用。遥感图像具有成像复杂,包含的信息种类繁多,更新速度非常快的特点,所以如何利用人工智能技术将有用的信息从遥感图像中快速准确的提取出来成为了研究的重点。本文利用近些年来图像处理方面取得巨大成绩的深度学习方法,结合语义分割技术实现了对遥感图像的目标分类,研究内容主要包括以下几个方面:(1)提出了新型激活函数TReLU。近年来深度学习在各个研究领域取得越来越多的成果,这些都离不开激活函数的发展。但现有的激活函数Tanh、ReLU和PRe LU随着研究的深入暴露出越来越多的问题,比如存在“神经元死亡”和偏移现象,对噪声不具有鲁棒性。针对这些问题,结合Tanh和PRe LU的优点,提出了TReLU激活函数,通过参数α控制负半轴非饱和区间获得激活值,输出近似0均值,软饱和性对噪声鲁棒。实验结果表明,TRe LU取得了最好的效果,对不同优化方法具有鲁棒性,具有一定的实用价值。(2)改进了卷积神经网络模型结构。针对现在卷积神经网络模型参数太多耗费计算资源,模型结构复杂耗费大量时间的问题,提出网络并联和网络串联共用的方法,通过减小卷积核和增加非线性激活的方式减少了大量的参数,减少了训练时间,同时保证了模型的准确率。为了进一步减少参数,提出尺度归一化池化层取代全连接层,并且改进后的模型允许多尺寸图像输入,实验结果表明提出的改进方法在降低训练时间的同时有效提升了模型的泛化能力,提高了算法的效率。(3)利用深度学习对遥感图像去模糊方法进行了研究。为了摆脱现有方法只能对遥感图像的运动模糊或噪声干扰某一方面进行复原的局限性,对已有的去噪卷积神经网络进行改进,将卷积层特征值、转置卷积复原的特征值和上采样加卷积复原的特征值融合构成反卷积特征值对遥感图像进行去模糊操作。实验结果表明,提出的改进网络可以对模糊遥感图像进行有效复原,与已有方法对比取得了最好的效果,同时对不同噪声具有鲁棒性。(4)利用深度学习对遥感图像目标分类进行了研究。通过对现有图像分割方法FCN、SegNet和U-Net方法进行分析,提出了目标分类改进模型,利用SegNet中的池化索引方法,实现对图像的上采样,与卷积特征值和转置卷积复原特征值组成特征组,共同对图像的类别像素信息复原。实验通过与FCN、SegNet和U-Net方法进行对比,本文提出的方法获得了最好的目标分类效果。综上所述,本文对深度学习在遥感图像目标分类领域进行了一定的研究,所提出的方法获得了一定的实验效果,证明了所提方法的有效性,说明研究的成果具有一定的理论意义和实际应用价值。