1.一种基于改进AlexNet的遥感图像识别方法，其特征在于，包括以下步骤：步骤1、对遥感图像进行均匀裁剪，得到裁剪后的图像，将裁剪后的图像分为训练集和验证集；

步骤2、将训练集输入改进AlexNet进行训练，生成训练后的网络模型；改进AlexNet进行训练的过程如下：步骤A、通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；

步骤B、将步骤A中经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；

步骤3、将待勘测图像输入步骤2中生成的网络模型，得到遥感图像分类结果。

2.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，通过步骤3网络模型分类结果确认遥感图像地形地貌。

3.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，步骤1中进行均匀裁剪的尺寸为满足网络卷积需要的最小图像。

4.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，改进AlexNet网络为：在改进AlexNet的深层网络中，第一层的卷积层使用的是96个大小为13×13、步长为4个像素的核，对输入图像进行滤波；在第一层使用了13×13滤波器，第一卷积层的输出图像输入96个大小为3×3的max pooling层进行滤波，在响应归一化之后，再经过Batch Normalization层；第二卷积层和第一max pooling层输出相连接，其卷积核大小为5×5，数量也是96个；第三和第四层的卷积核大小都是3×3，其个数分别为384和256；整个网络卷积层只有第三层和第四层之间没有max pooling层；

在经过卷积层后，将生成的256个1×1的特征图输入到两层全连接层；其中，两层全连接层的神经元个数分别为4096和4个。

5.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，步骤2中验证集对网络参数进行更新，在网络模型对图像分类的正确率达到预期要求后导出模型。