1.一种融合深度特征和显著性特征的遥感图像场景分类方法，其特征在于，包括以下步骤：(1)选定进行场景分类的原始图数据集，将其划分为原始图训练集和原始图测试集；

(2)通过显著性检测方法处理原始图数据集，得到显著图数据集，具体过程为：(2-1)将原始图像转换为灰度图像，采用Canny边缘检测器滤波后得到边缘的显著图It；

(2-2)将原始图像的颜色空间变化到均匀的LAB颜色空间，再对图像进行高斯低通滤波，最后计算原图与滤波后的图像之间的欧氏距离，即为颜色的显著图Ic：Ic＝||Iu-Iw||，

式中，Iu为像素值的算术平均，Iw为原始图像经过高斯低通滤波得到的图像；

(2-3)将边缘显著图It和颜色显著图Ic进行线性叠加得到最终的显著图数据集Is；

将所述显著图数据集Is划分为显著图训练集和显著图测试集；

(3)利用原始图训练集对在ImageNet数据集上训练好的卷积神经网络进行微调，得到原始图的神经网络模型VGG-1；利用显著图训练集对在ImageNet数据集上训练好的卷积神经网络进行微调，得到显著图的神经网络模型VGG-2；

(4)利用VGG-1处理原始图数据集，从VGG-1的最后一个完全连接层中提取特征，得到原始图像的深度特征F1；利用VGG-2处理显著图数据集，从VGG-2的最后一个完全连接层中提取特征，得到原始图像的显著性特征F2；其中，所述深度特征F1与所述显著性特征F2的特征向量维度相一致；

(5)通过并行特征融合策略融合深度特征和显著性特征，得到最终的融合特征，将最终的融合特征作为原始图像的最终特征表示；

(6)使用支持向量机分类器对原始图像根据最终的融合特征进行分类，得到最终的分类结果。

2.根据权利要求1所述的一种融合深度特征和显著性特征的遥感图像场景分类方法，其特征在于，所述步骤(3)中，分别利用原始图训练集和显著图训练集微调卷积神经网络的具体步骤如下：(3-1)设定微调迭代次数为N；

(3-2)正向传播训练：计算在当前的系数下，该网络结构具有的真实分类效果，迭代过程如下：xi+1＝fi(ui)

ui＝Wixi+bi

其中，xi+1为第i+1层的输入；xi为第i层的输入；Wi是第i层的权值向量，它作用在其输入的数据中；bi为第i层的附加偏置向量；fi(·)表示第i层的激活函数，ui为对输入进行卷积操作后的结果；

(3-3)反向传播训练：通过网络输出与真实标签的比较，不断地迭代更新系数，使得输出结果接近期望值，迭代过程如下：其中，学习率α为反向传播强度的控制因子，L(W,b)为损失函数；

(3-4)根据步骤(3-1)设定的迭代次数N，重复步骤(3-2)和步骤(3-3)N次。

3.根据权利要求1所述的一种融合深度特征和显著性特征的遥感图像场景分类方法，其特征在于，所述步骤(5)中，通过并行特征融合策略融合深度特征和显著性特征，则原始图像I的最终融合特征表示形式为：Ff(I)＝F1(I)+iF2(I)

其中，i是虚数单位，融合后的特征向量维度保持不变。

4.根据权利要求1所述的一种融合深度特征和显著性特征的遥感图像场景分类方法，其特征在于，所述步骤(6)的具体步骤如下：(6-1)根据原始图训练集和原始图测试集的划分，将融合特征分为训练特征集和测试特征集；

(6-2)利用训练特征集训练支持向量机分类器；

(6-3)利用训练好的支持向量机分类器对测试特征集进行分类；

(6-4)计算最终的分类准确度。