遥感技术发展至今，已成为获取地表信息的重要手段，而遥感图像分类作为遥感信息提取的关键技术之一，在资源监测、环境保护、城市规划等领域发挥着至关重要的作用。
传统的遥感图像分类方法难以满足日益增长的数据量和复杂地物分类的需求，而卷积神经网络(CNN)凭借其强大的特征提取和表征能力，为遥感图像分类提供了新的解决思路。
本文首先概述了遥感图像分类和卷积神经网络的基本概念，然后分别从传统方法和深度学习方法两个方面回顾了遥感图像分类的研究历程，并重点阐述了近年来基于卷积神经网络的遥感图像分类方法的研究进展，包括不同网络模型的构建、优化策略的改进以及应用领域的拓展。
最后，对该领域未来发展趋势进行了展望，并指出了一些亟待解决的问题和挑战。
关键词：遥感图像分类；卷积神经网络；深度学习；特征提取；分类精度
#1.1遥感图像分类遥感图像分类是指根据遥感图像的像素值及其空间、光谱、纹理等特征信息，将其划分为不同的类别，例如水体、植被、建筑物等，从而实现对地表覆盖信息的自动识别和提取。
#1.2卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种前馈神经网络，其结构灵感来源于生物视觉皮层。
CNN的核心在于卷积层和池化层，通过卷积运算提取图像的局部特征，并通过池化操作降低特征维度，提高网络的鲁棒性和泛化能力。
近年来，CNN在图像识别、目标检测等领域取得了突破性进展，成为了遥感图像分类领域的研究热点。
2研究概况#2.1传统遥感图像分类方法早期的遥感图像分类方法主要依赖于人工设计的特征，例如光谱特征、纹理特征等，并结合统计模式识别方法进行分类，例如最大似然法、支持向量机等[1-2]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
