1.一种基于主动学习和卷积神经网络的遥感图像分类方法，其特征在于，包括以下步骤：

步骤S1，对高光谱遥感图像数据进行主成分分析，并将其处理成数据块的形式；

步骤S2，将步骤S1处理后的数据分为训练集、未标记样本集、验证集和测试集；

步骤S3，将训练集输入卷积神经网络中进行训练，并对未标记样本集中样本的所属类别进行预测；

步骤S4，使用主动学习对未标记样本集中的样本进行评估，并对样本的置信度进行排序，根据初始预测标签系数挑选出置信度低的样本，同时挑选出置信度高的样本，所述预测标签系数用来表示自动标注样本量与每次迭代标记样本总量之比，它被表示为R为预测标签系数，N＝N1+N2；

步骤S5，分别对置信度低的样本和置信度高的样本赋予标签，对于置信度低的样本采用专家赋予标签，对于置信度高的样本采用自动标注标签，然后将其加入训练集，同时将其从未标记样本集中移除；

步骤S6，调节预测标签系数，重复步骤S3‑S5，直到满足停止条件便停止迭代，所述调节预测标签系数的方法为：

N1＝N×P1‑e，N1＞0

N2＝N×(1‑P1)+e，N2＞0其中，P1为一个初始概率值，0＜P1＜1，e为自然数；

步骤S7，将得到的训练集输入卷积神经网络中进行模型的训练；

步骤S8，使用步骤S7训练好的模型对遥感图像进行分类。

2.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法，其特征在于：所述对高光谱遥感图像数据进行主成分分析，保留了信息量高的波段，然后将图像处理成块，块的中心像素的标签即为该块的标签。

3.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法，其特征在于：所述训练集、未标记样本集、验证集和测试集的划分：训练集+未标记样本集占全部样本的50％，验证集+测试集占全部样本的50％，其中每个类初始化5个样本作为训练集，其余为未标记样本集，验证集占5％，测试集占95％。

4.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法，其特征在于：所述步骤S3中的卷积神经网络具有一个输入层，两个卷积层，两个池化层，两个全连接层，采用ReLU作为激活函数，全连接层使用Softmax函数，并引入Dropout技术，进行模型的训练。

5.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法，其特征在于：所述主动学习的采样策略，按照以下公式对样本的置信度进行评估，并按照升序排列，挑选出置信度低的N1个样本，同时挑选出置信度高的N2个样本；

式中，U表示未标记样本集，P(yBest|xi)和P(ySecond‑Best|xi)分别表示该样本所属最优类别和所属次优类别的概率。