精确的农作物分类是农业监测、粮食安全评估和国家宏观调控的重要数据来源,通过高分辨率遥感影像分类的方法实现对农作物的分类是一种高效的方法。针对遥感影像分类问题,目前已经提出大量算法,比如基于像元的最大似然法、基于面向对象的支持向量机和基于专家知识的决策树分类法等。然而,由于耕地自身条件不同导致的作物生长状态的差异,造成在一张影像上同一作物有不同的光谱差异,现有的算法对部分小宗作物的识别效果并不好,现阶段精细进行作物分类仍需采用人工目视解译,这就需要提升现有算法学习更深层次的作物特征,才能提升自动分类识别精度。现有的深度学习多是针对玉米、小麦这种大宗作物,对于小宗作物的关注较少,但部分地区的小宗作物是农民的主要经济来源,对作物的进行精确的种植面积、区域及产量预测有助于精准助农,惠农。因此,提升遥感影像在小宗作物上的分类精度也在农业领域起着至关重要的作用。本文选取山东省临沂市罗庄区与兰陵县的部分乡镇作为研究区,经实地考察,确定磨盘镇、神山镇和褚墩镇的交叉测试区作为样本细化区域,制作样本大小256*256*3的样本集,并对样本数量进行增强。本文选用在一个样本形式多样化的地方集中进行样本选取,进行大区域预测,在大区域中再进行验证样本集选取的方式进行实验。样本模型选用U-Net模型为基础,对通过添加随机失活和批标准化函数,结合卷积通道数的缩减,搭建mini U-Net网络,从研究区选取交叉区域标注样本集进行模型学习,选取三个非学习区进行模型预测,对mini U-Net方法和三种面向对象方法的预测结果进行对比。与原始U-Net的大蒜地分类结果对比,mini U-Net可以克服小样本集样本量不足的问题,能够缓解过拟合,提高大蒜地分类的精度,并提升模型的容错能力,与面向对象方法分类预测结果相比,mini U-Net方法的学习能力更强,对样本识别更精确,多测试区总体精度均达到96%以上,可靠性高,且泛化能力更好,大区域预测时明显优于面向对象方法。RGB影像作为深度学习样本提取基础可以满足大蒜地的分类精度,且根据样本量的不同可以通过调整网络参数达到最适宜超参数组合,通过RGB影像的mini U-Net学习方法可以有效的对大蒜地进行分类,且网络具备的泛化能力为快速预测大蒜面积提供可能,为政府管控提够便利。该论文有图22幅,表10个,参考文献60篇。