全文总字数：2731字

1. 研究目的与意义及国内外研究现状

1） 目的：论文主要应用了深度学习的理论，以uc merced land-use data set作为研究对象，通过在训练集上进行训练以建立合适的卷积神经网络模型，提取不同类型地表遥感图像的分类特征；并依据这些特征完成对测试集的分类，从而有效提高计算机的图像分类精度。

2） 研究意义：计算机视觉是一门研究计算机如何看的学科，一直是人工智能领域的热点方向。

其难点在于计算机往往擅长做一些可通过形式化的数学规则所表示的运算，而很难解决那些对人来说简单直观，但难以形式化表达的任务。

2. 研究的基本内容

1）数据集的选取，选择遥感图像分类领域常用的uc merced land-use data set，其包含21类不同地表的图像，每类含有100张像素大小为256256的图片。

将数据集按一定比例随机地划分为训练集和测试集。

2）了解深度学习的发展历史，熟悉卷积神经网络的原理和构造，通过迁移学习将在imagenet上训练好的几种经典卷积神经网络模型应用在目标遥感图像数据集上进行微调，并使用改进的卷积神经网络与支持向量机结合的分类方法进行分类。

3. 实施方案、进度安排及预期效果

1）实行方案：首先学习计算机视觉与深度学习的相关理论，阅读相关文献，同时学习python编程语言的使用。

了解深度学习在遥感图像分类领域的应用情况，选用合适的数据集作为研究对象，建立卷积神经网络模型并完成模型的实现，进行分类并完成特征可视化。

2）进度：3月：了解课题研究的内容，查阅相关资料，学习相关知识，确定基本的研究方案；4月上旬-4月中旬：采集相关数据，整合资料，完成模型的建立和调整，同时完成论文的初稿；4月中旬-4月下旬：修改并完善论文，准备答辩。

4. 参考文献

[1]古德费洛 i，本吉奥 y，库维尔 a.深度学习[m].赵申剑，黎彧君等，译.北京：人民邮电出版社，2017.

[2] he k, zhang x, ren s, et al. deep residual learning for image recognition[eb/ol].[2016-01-04].https://www.researchgate.net/publication/28651296_deep_residual_learning_for_image_recognition.

[3] szegedy c, liu w, jia y, et al. going deeper with convolutions[c]//proceedings of the 2015 ieee conference on computer vision and pattern recognition. washington, dc:ieee computer society,2015.