城镇森林作为城镇生态建设的重要组成部分,对人民群众的生活健康及城镇的持续性发展有着不可替代的作用,它不仅仅局限于林业调查的范围,还包含城镇中树木破碎化程度较高的区域,基于此本文提出城镇森林的概念,提取研究区内城镇森林资源。从高分辨率影像上用肉眼即可判定城镇森林分布及其长势状况,它在带来复杂视觉信息的同时,也夹杂着混合的光谱信息、空间信息的畸变问题,仅仅根据光谱信息、色调进行地物识别,无论是准确性、信息丰富度,还是算法的稳定性都远远无法满足应用需求。地物类型识别的主要特征在于空间纹理信息,由于空间纹理特征的复杂性、多样性,尽管人们发展了多种算法进行空间纹理信息的定量描述与对象分割(如:灰度共生矩阵、多尺度分割等),在特定数据、特定地物、特定区域的试验应用中有一定效果,但普适性低,可推广性差。近年来以神经网络为代表的深度学习技术在人脸识别、手写识别等图像模式识别应用中取得了极大成功,识别精度已达到甚至超越人眼的水平。神经网络理论上具有自动综合应用地物所有的光谱、纹理特征进行识别的优势,该技术在遥感图像识别中的应用也是必然趋势。但是,在遥感应用中有不同于人脸识别、手写识别等应用场景的特有的问题,主要是如何针对遥感纹理特征,在不降低识别精度的前提下,构建结构简单、功能性强的深度学习网络,以提高网络的普适性、稳定性,以满足遥感图像大区域应用的需求,同时避免人脸识别、手写识别中采用的结构庞大的网络(深度可达千层)对样本量需求的急剧增加(样本量需求可达数百万)。因此,利用深度学习技术探索符合于高分遥感影像自身特点与内在规律的信息提取方法也成为当前高分辨率遥感信息处理领域的研究热点。本论文研究表明:基于深度学习的高分辨率遥感影像城镇森林提取精度高于传统的面向对象的方法,在保证精度的同时也能大大提高分类的效率,本文的研究对更加智能化的进行遥感影像的分类有一定的参考价值。