基于遥感图像对海岸线等边界型地物进行自动提取和分类,在城市规划、环境保护、地图测绘、资源管理、军事侦察、土地使用等领域中有着极其广泛的应用。对遥感图像的分类研究一直是遥感领域中重要的内容,研究遥感图像的边界提取,对遥感影像信息提取和分类具有重要的作用。图像中的边界提取是特征提取和分类的基础,海岸线作为一种特殊的边界信息。传统的海岸线提取,需要人工设计图像的特征和基于规则的分割算法,随着遥感图像数据形式的逐渐多样,数据规模增加,数据分辨率提高,遥感图像的场景变得更为复杂,人工设计特征已无法满足遥感图像精确的边界提取和分类任务。因此,研究基于深度学习的方法对遥感图像进行边界提取和分类任务具有重大的意义和价值。本文针对遥感图像中边界提取和地物分类问题,开展了以下三个方面研究:(1)采用基于超像素的方法分别对SAR图像和卫星图像进行海岸线提取。该方法以超像素块作为特征提取的单元,对SAR图像和卫星图像分别使用灰度均值和不同颜色空间直方图融合为特征,通过自适应阈值对超像素块分类,得到海岸线提取结果,并结合形态学方法进行后处理滤除边界提取中的虚警。其中,针对SAR图像中存在斑点噪声,本文还提出了斑点噪声去除算法,能有效增强对噪声的鲁棒性。(2)在海岸线提取的基础上,针对传统特征描述符难以对遥感图像复杂的场景进行特征描述的问题,引入多层级深度神经网络,提取遥感图像复杂场景中的边界信息。针对遥感图像中不同尺寸物体类别间的边界信息难以同时检测问题,本文通过不同层级网络表达的特征和边界提取结果进行融合,对遥感图像进行不同尺度的特征描述,可以提高对不同尺度物体边界检测的精度,并将训练得到的网络应用在低分辨率的遥感图像中提取海岸线边界。(3)针对高分辨率遥感图像数据规模大、场景复杂的特点,使用人工设计的特征很难描述不同物体间的差异性,物体特征表达不够鲁棒,本文引入全卷积神经网络对遥感图像地物进行分类。其中,针对全卷积神经网络对图像的分类结果边界精细化不够高的问题,本文提出一种对分类结果进行优化的方法,该方法以边界检测结果为约束条件,不仅提高了遥感图像地物分类的精度,同时也较好的保持了物体的边界信息。