随着遥感技术的发展,遥感影像空间和时间分辨率不断提高,催生了大量的基于遥感影像数据的分析技术。遥感影像分类技术作为遥感影像研究方法的重要分支,已广泛应用于海洋监测、资源勘探、农业监测、军事识别等领域,为资源的规划、管理和决策提供技术支持。传统的神经网络用于遥感影像分类时,使用全连接层进行运算,计算复杂度高,且训练参数庞大,容易出现过拟合。而基于卷积神经网络的影像分类方法是一种具有局部感知结构的神经网络,可以将图像数据作为输入,逐层的提取由局部到全局的特征,能够有效的进行影像分类。传统卷积神经网络模型的训练需有大量训练数据集,而实际中很难获取大量标注的遥感影像样本,使得遥感影像呈现小样本的特点。截止目前,仍缺乏一种可以有效应用于小样本的遥感影像分类的卷积神经网络。基于此,结合遥感影像多模态特性,本文研究一种小样本的多模态融合方法,实现多模态遥感影像的高精准分类。论文以实现小样本的多模态遥感影像高精度分类为目标,对多模态融合策略进行了深入的研究,针对深度卷积网络训练困难的问题,结合迁移学习方法提出了基于迁移学习的多模态融合分类方法。主要研究内容包括:(1)提出小样本的多模态遥感影像串行融合分类方法针对传统的多模态遥感影像融合分类方法未能充分考虑模态之间相关关系以及模态之间的干扰性的问题,提出串行融合策略的分类方法--MRSIC(Multimodal Remote Sensing Image Classification)。其中,不同模态的高层特征是提高分类精度的重要环节。本文首先采用卷积神经网络提取两种不同分辨率遥感影像的高层特征,并通过构建串行融合策略进行融合,最后,使用融合后的综合特征训练整个分类模型。实验表明MRSIC模型对遥感影像分类的精准度达90.5%。(2)提出小样本的多模态遥感影像并行融合分类方法串行融合分类模型要求两种模态的测试数据必须同时存在的输入到对应的特征提取器中,这对测试人员的专业技能要求高,严重影响MRSIC的应用推广。为此,提出一种并行融合分类方法,记为N-MRSIC(New Multi-modal Remote Sensing Image Classification)。该方法实现了单个模态的测试数据就可以进行分类的高适用性。实验表明N-MRSIC大大减少了测试数据的预处理工作,降低了对使用人员的技术要求,提高了分类方法使用的高适用性和分类精度。(3)提出基于迁移学习的多模态遥感影像融合分类方法针对类别繁多的分类应用,浅层CNN(Convolution Neural Network)的学习能力和影像分析能力难以保证,为此,提出一种复杂的CNN分类模型,但复杂的CNN训练困难。基于此提出结合迁移技术改进的高层特征融合分类方法TMRSIC(Tranfer-learning Multi-modal Remote Sensing Image Classification)。首先在构建的复杂CNN分类模型中引入在大的数据集(ImageNet)上训练好的模型,把前几层的参数固定,修改最后一到两层,用自己的数据去再训练分类模型。实验表明,在训练样本少且样本种类多的挑战下,仅使用迁移的单模态分类模型的准确率达90.3%,T-MRSIC的分类精度可以达到93.3%。通过上述内容的研究,论文取得了一定的研究成果,(1)提出了具有抗干扰性的串行融合分类模型,使得小样本的多模态遥感影像信息互补,从而提高分类精度;(2)为了降低分类模型对测试数据必须同时存在的要求和对测试人员专业知识的要求,提出高适用性的并行融合分类模型;(3)面对复杂CNN模型训练难题,引入参数模型迁移技术,实现小样本的复杂CNN模型的高精准度分类。