1.一种高分辨率遥感图像分类方法，其特征在于，具体按照以下步骤实施：步骤1、输入高分辨率遥感图像及该图像中每个像素的类别信息，分别对每一类随机选择若干个像素作为训练样本；

步骤2、构造训练样本图像块ap及训练样本图像块集合S1；

步骤3、构造三维深度卷积神经网络，对训练样本图像块进行归一化处理然后将其作为三维深度卷积神经网络的输入，对该三维深度卷积神经网络进行训练，得到训练好的三维深度卷积神经网络及训练样本的深度特征Fp；

步骤4、根据步骤3得到的训练样本图像块ap的深度特征Fp和类标，分别计算每一类的类中心特征(C1,C2,...,Ch,...,CH)，其中，H是类别数；

步骤5、对训练样本图像块ap的深度特征Fp，分别计算其与每一个类中心特征的差值的绝对值，得到差值特征步骤6、构造距离测度学习网络，该网络参数为α＝(α1,α2,...,αZ)，将步骤5得到的差值特征 作为该网络的输入，该网络的输出为深度特征Fp与每一类类中心的距离值 对该网络进行训练，得到训练好的距离测度学习网络，其中Z是每一个差值特征的维数；

步骤7、构造测试样本图像块bq及测试样本图像块集合S2；

步骤8、将步骤7得到的测试样本图像块bq输入到步骤3训练好的深度卷积神经网络中，得到测试样本图像块bq的深度特征Gq；

步骤9、分别计算测试样本图像块bq的深度特征Gq和每一类的类中心特征(C1,C2,...,Ch,...,CH)的差值的绝对值，得到差值特征步骤10、将步骤9得到的差值特征输入到步骤6的距离测度学习网络中，得到测试样本图像块bq和每一类类中心的距离 并将距离 中最小值对应的位置作为测试样本图像块bq的预测类别，将对应位置的距离值作为测试样本图像块bq的预测距离；

步骤11、根据测试样本图像块的预测类别，分别对每一类，选择预测距离最小的若干个测试样本图像块加入训练样本图像块集合S1中，并将这些测试样本图像块从测试样本图像块集合S2中删除；

步骤12、重复步骤3-11，直到达到预先设定的迭代步数，输出测试样本图像块aq的深度特征Gq；

步骤13、将训练样本图像块ap的深度特征Fp以及类标作为softmax分类器的输入，对softmax分类器进行训练，得到训练好的分类器；

步骤14、将测试样本图像块bq的深度特征Gq作为训练好的softmax分类器的输入，得到的每一个测试样本图像块的类标，完成分类。

2.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤2具体为，设步骤1中输入的高分辨率遥感图像的光谱维数为V，以每个像素为中心，在该图像的每一维上，选取21×21大小的窗口，得到该像素在该维上的空间信息，并将所有维数上的空间信息组成一个三维的训练样本图像块ap,p∈S1，S1是训练样本图像块的集合。

3.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤3中的三维深度卷积神经网络包括7层，其中第1层为输入层，第2层为卷积层，第3层为下采样层，第4层为卷积层，第5层为下采样层，第6层为全链接层，第7层为softmax分类器；

所述第2层包含20个滤波器；

所述第3层为2×2最大下采样操作层；

所述第4层包含40个滤波器；

所述第5层为2×2最大下采样操作层；

所述第6层包含100个结点单元。

4.根据权利要求3所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤3中对三维深度卷积神经网络进行训练，具体按照以下步骤实施：步骤3.1、使用随机初始化对两个卷积层的滤波器进行初始化；

步骤3.2、将每一个归一化的训练样本图像块ap作为输入层的输入，经过前向传播，得到该样本的类标；

步骤3.3、将网络输出类标和训练样本真实类标的交叉熵作为代价函数；

步骤3.4、采用反向传播算法最小化代价函数，得到训练好的网络，并输出第6层的深度特征Fp。

5.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤4中类中心特征Ch的计算公式为：其中，Ch是第h类的类中心特征，Ωh是第h类训练样本图像块的集合，m是Ωh内样本的个数。

6.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤5中差值特征 的计算公式为：

7.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤6中的距离测度学习网络，包括第一层输入层和第二层输出层，所述距离测度学习网络的参数为α＝(α1,α2,...,αZ)，其中Z是差值特征 的维数。

8.根据权利要求7所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤6对距离测度学习网络进行训练，具体按照以下步骤实施：步骤6.1、使用随机初始化对网络参数α＝(α1,α2,...,αZ)进行初始化；

步骤6.2、将差值特征 作为输入层的输入，经过前向传播，得到网络输出的距离

步骤6.3、定义距离的真值：当公式(2)中训练样本图像块ap的深度特征Fp属于第h类，差值特征 的距离真值设定为0；当Fp不属于第h类，差值特征 的距离的真值设定为固定常数δ；

步骤6.4、将步骤6.2得到的距离值和步骤6.3得到的距离真值的均方根误差作为代价函数，采用反向传播算法最小化代价函数，得到训练好的距离测度学习网络。

9.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤7具体为，对高分辨率遥感图像中除了训练样本之外的像素点，以每个像素为中心，在高分辨率遥感图像的每一维上，选取21×21大小的窗口，得到该样本在该维上的空间信息，并将所有维数上的空间信息组成一个三维的测试样本图像块bq,q∈S2，S2是测试样本的集合。

10.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤9中差值特征的计算公式为：其中S2为测试样本的集合。