卫星遥感影像作为基础支撑性数据,需求量巨大、作用日趋重要。随着我国重大科技专项高分辨率对地观测系统的建设,对获取的多空间、时间和光谱分辨率的遥感影像用于土地覆盖利用、资源环境监测等诸多领域的研究应用需要持续推进。其中,高分六号(GF-6)卫星是我国首颗具备红边波段的遥感卫星,同时也是世界首颗宽视场多光谱中高分辨率卫星,其WFV影像幅宽可达800公里,其新增红边波段更有利于植被、建筑的精细分类等,且当前对高分六号宽幅卫星影像数据的研究利用尚未完全展开,对其丰富的光谱信息的研究利用将具有重要意义。本文对当前的遥感影像分类应用的优劣进行分析与综述,针对GF-6WFV影像特点采用分层分类的思想进行遥感影像作物分类,通过结合面向对象并构建新的卷积神经网络模型(RE-CNN)提出一种适用于GF-6 WFV红边波段的遥感影像作物分类方法。首先使用多尺度影像分割和ESP工具进行多次影像分割实验,结合试错法及人工目视判别选择最佳分割参数完成影像分割,选取训练样本并针对其影像中新增红边波段构建植被指数并结合影像对象特征完成CART决策树训练,通过面向对象CART决策树消除椒盐现象的同时提取研究区植被区域影像。基于对深度卷积神经网络结构原理及训练中难点及关键技术的深入剖析,本文基于Python和Numpy库构建并训练卷积神经网络模型(RE-CNN),将提取植被区域影像数据转化为深度卷积神经网络的输入数据,针对影像中新增红边波段设置有无红边的分类对照实验,并基于构建的CNN模型进行GF-6 WFV影像作物分类。实验结果表明:通过面向对象的分类方法有效避免了椒盐现象,同时对研究区植被提取取得较好的分类效果;在两组有无红边波段的对照试验中,红边波段组作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,有效验证了RE-CNN模型对GF-6 WFV影像作物分类的有效性及其影像新增红边波段对作物分类识别的敏感性,对GF-6 WFV影像用于作物精细分类研究拓展提供重要理论支持和技术参考。