简介： 一种基于随机卷积神经网络的高分辨率图像场景分类方法，包括数据去均值，获得待分类图像集和训练图像集；模型共享的参数库随机初始化；计算待分类图像集和训练图像集的负梯度方向；训练基础卷积神经网络模型，训练基础卷积神经网络模型的权重；更新函数预测，得到加和模型；迭代达到最大训练次时，利用加和模型对待分类图像集进行识别。本发明使用深度卷积网络对特征进行层次化学习，利用梯度提升方法进行模型的聚合学习，用来克服单个模型容易陷入局部最优解问题，同时提高网络泛化能力；在模型训练过程中，加入了随机参数共享机制，提高模型的训练效率，可以在合理的时间代价下实现对特征的层次化学习，学习到的特征在场景识别中更具有鲁棒性。