1.一种遥感影像分类模型的构建方法，其特征在于，所述的构建方法为：步骤一：采集高分辨率遥感影像，得到高分辨率遥感影像；

步骤二：对所述的高分辨率遥感影像的地物进行标注，获得带标注的高分辨率遥感影像，获得标签集，对得到的带标注的高分辨率遥感影像进行分割得到父对象，对父对象进行分割得到子对象，其中子对象的标签为子对象在父对象上的位置所对应的标签；

步骤三：对步骤二中的得到的父对象和子对象进行标准化，并将标准化后的父对象和子对象划分为训练样本集、验证集和测试样本集；

步骤四：构建基于父对象和子对象的卷积神经网络模型，分别将父对象的卷积神经网络和子对象的卷积神经网络在全连接层进行合并，将步骤三中得到的标准化的父对象和子对象分别输入到基于父对象和子对象的卷积神经网络模型中，分别将父对象的卷积神经网络和子对象的神经网络提取的特征在网络结构的全连接层进行特征融合，以标签集作为输出，对网络进行训练，得到训练好的网络模型；

步骤三的具体步骤如下：

步骤3.1，对步骤二中得到得到父对象和子对象按照30％的比例为训练样本集，10％的比例为验证样本集和60％的比例为测试样本集；

步骤3.2，对父对象和子对象进行标准化，按照分割对象的几何特征，分别利用不同的标准化方法标准化父对象和子对象，把分割对象分为线性分割对象和非线性分割对象，所述的标准化用于限制父对象和子对象周围的背景像素；

线性的父对象利用方法(1)进行标准化，非线性的多边形的父对象利用方法(3)进行标准化，对于线性的和非线性的子对象利用方法(2)进行标准化；

所述的标准化方法，分别是：

方法(1)：力矩边界框包围分割对象的标准化方法；

方法(2)：长方形框包围分割对象的标准化方法；

方法(3)：正方形框包围分割对象的标准化方法；

其中力矩边界框是利用矩形框经过一定的旋转使得包围分割对象的矩形框面积最小。

2.如权利要求1所述的方法，其特征在于，步骤二的具体过程为：步骤2.1，对高分辨率遥感影像的地物进行标注，获得带标注的高分辨率遥感影像，获得标签集；

步骤2.2，分割得到父对象：

利用多尺度分割方法对标注过的高分辨率遥感影像分割得到反映真实地物的对象作为网络提取特征的父对象，其中多尺度分割的方法采用Mean‑shift分割算法；

步骤2.3，分割得到子对象：

对步骤2.2得到的父对象利用简单线性迭代的超像素分割方法进行超像素分割，得到反映局部对象的特征的对象，作为卷积神经网络提取特征的子对象。

3.如权利要求1所述的方法，其特征在于，步骤四的具体过程如下：步骤4.1，构建基于父对象的卷积神经网络：采用AlexNet卷积神经网络结构进行父对象特征提取，输入标准化的父对象影像块大小为227×227；

步骤4.2，构建基于子对象的卷积神经网络：采用与AlexNet卷积神经网络相似的卷积神经网络进行子对象特征提取，输入标准化的子对象影像块大小为24×24；所述的与AlexNet卷积神经网络相似的卷积神经网络包括4个卷积层，分别是L1、L2、L3和L4，同时分别在L1、L2、L4后设置下采样层，把卷积核的大小调整成3×3；

步骤4.3，特征融合：

分别将父对象的卷积神经网络和子对象的神经网络提取的特征在网络结构的全连接层进行特征融合，激活函数为softmax，得到联合表示所属类别的特征；

步骤4.4，将步骤三中得到的父对象和子对象的训练集和验证集输入到基于父对象和子对象的卷积神经网络模型中，以标签集作为输出，对网络进行训练，将训练过的网络在测试集上进行验证，得到训练好的网络模型。

4.一种遥感影像分类方法，其特征在于，所述的方法具体过程如下：采集高分辨率遥感影像，得到高分辨率遥感影像，对高分辨率遥感影像分割，得到父对象，并对得到的父对象进行超像素分割，得到子对象；

将标准化后的父对象和子对象分别输入基于父对象和子对象的卷积神经网络，对高分辨率遥感影像进行分类，分类后利用带有所属类别的子对象，结合超像素分割得到的边界拟合边框附上所属类别，得到分类后的地理对象分类结果；

所述的基于父对象和子对象的卷积神经网络为上述权利要求1～3任一项所述的遥感影像分类模型的构建方法构建得到的网络模型。

5.一种遥感影像分类系统，其特征在于，所述的遥感影像分类系统包括遥感影像采集模块和遥感影像分类模块；

所述的遥感影像采集模块用于采集高分辨率遥感影像；

所述的遥感影像分类模块用于执行上述权利要求4所述的高分辨率遥感影像分类方法。