1.基于NSGA‑NET的遥感图像识别方法，其特征在于，具体按照以下步骤实施：步骤1、获取遥感图像数据集，将遥感图像划分成训练集和测试集；对训练集和测试集中的图像进行预处理，得到网络训练所需要的输入向量和目标矢量；

所述步骤1具体为：通过对训练集中的遥感图像切片提取特征值的集合作为特征库，划分好目标的不同类属；再经过检测得到待识别样本或待识别区域，获得切片图像；接着对训练图像进行二值图像反色处理，得到图像的像素数值0和1；最后构造训练集所需要的输入向量和目标矢量，作为DNN网络结构的输入向量和训练标签；对于测试集同样执行以上操作；

步骤2、初始化权重及各参数，随机生成一组简单的DNN网络结构；

所述步骤2中：各参数包括：学习率learning rate，隐藏层数目L，批处理大小batch size，轮次epoch，网络阶段个数S和阶段内节点个数ks；

步骤3、训练网络结构；

所述步骤3具体为：将训练集数据输入到种群中的每个网络结构中进行训练，使用标准随机梯度下降反向传播算法和余弦退火学习速率方案在训练集上对网络结构进行迭代训练，直到获取合适的权值，然后通过贝叶斯网络自动优化网络中的参数，从而降低损失函数，训练过程中得到的识别准确率作为该网络结构的适应度值；

步骤4、对训练好的网络结构进行编码；

所述步骤4中，每个网络结构分为多个阶段，每个阶段包含多个节点，节点分为默认节点、普通节点和孤立节点；网络结构由S个阶段组成，第s个阶段用符号Vs，ks表示(s＝1，2，

3…S)，Vs，ks阶段中包含的节点个数为Ks；

编码规则使用 位来编码阶段内部节点之间的有

向边；第一位表示(Vs,1,Vs,2)节点之间是否有有向边连接，接下来的两位表示(Vs,1,Vs,3)，(Vs,2,Vs,3)之间是否有有向边连接，以此类推直到阶段内最后一位，存在有向边连接则编码为1，否则为0；在编码最后添加一位表示跳过连接，直接将输入信息转发到输出，绕过整个块；

对于默认节点，每个阶段内设置两个默认节点，默认输入节点表示Vs,0，接受来自前一阶段的数据，执行卷积操作，并将输出发送到没有前置节点的每个节点Vs,1；默认输出节点表示Vs,Ks+1，接受来自没有后续节点的所有节点的数据，汇总执行卷积，并将输出发送到池化层；

对于普通节点，为一个阶段内除默认节点外的其他节点，每个节点代表一个卷积操作，对Ks个普通节点编号，并按照由小到大的顺序排序；

对于孤立节点，如果存在孤立节点，则忽略孤立节点，不参与编码，且默认节点不与孤立节点连接；

步骤5、使用NSGAII迭代进化编码后的网络结构；

所述步骤5具体为：

步骤5.1、将编码后的N个初始个体作为父代种群，此时还未产生第一代子种群，对其进行快速非支配排序，按照网络结构的适应度值和计算复杂度值划分等级，保留等级越小的个体；

步骤5.2、通过二进制锦标赛法在父代种群中选择个体两两一对，产生N对双亲，对其进行交叉变异，交叉和变异的概率分别为0.9和0.02，以此来产生新的N个个体，组成子代种群；

步骤5.3、评估子代种群的适应度值，对种群产生的新网络结构进行训练，对于旧模型，采用历史错误率的平均值作为适应度，对于新模型，计算识别准确率作为其适应度，保留适应度低的个体；

步骤5.4、将父代和子代种群进行合并，大小为2N，对合并后的种群进行快速非支配排序，并且计算2N个个体的拥挤度，选择N个非支配等级小且拥挤度大的个体作为新的父代，下一代的种群大小仍为N；重复执行步骤5.2‑5.4，直到达到最大世代数，得到一组二进制基因型个体；

步骤6、对最后得到的一组二进制基因型进行解码操作，得到一组识别错误率低且计算复杂度低的DNN网络结构前沿；

步骤7、将经过预处理后的测试集输入到网络结构前沿中进行测试，输出识别结果。