岩性分类是地质环境遥感的重要分支，能为资源环境调查、工程地质环境勘察、地质环境评价、工程选址等提供基础数据保障。岩性属于高层次的语义信息，在遥感图像上表现为一定尺度上的空间聚合特征，需用场景基元进行表征。深度学习方法特征提取能力强，且在遥感分类领域取得了巨大进展。然而，基于深度学习方法的植被覆盖区岩性遥感分类仍面临关键特征信息难以有效提取的难题。本研究首先构建了基于多模态遥感数据的岩性场景分类数据集。以湖北省蕲春地区为研究区，基于高分卫星影像提取了高空间分辨率光学数据、合成孔径雷达数据和数字高程模型及其衍生的坡度、坡向、山体阴影数据，构建了岩性遥感场景分类数据集。基于1：5万和1：25万比例尺地质图资料，结合影像判别，构建了遥感可解译的岩性分类体系。最后得到基于1：5万比例尺地质图的10类分类体系和基于1：25万比例尺地质图的7类分类体系。本研究提出了一种基于先验知识和密集连接网络的岩性遥感场景分类模型。以密集连接网络为骨干，采用多尺度特征提取策略和注意力机制进行改进。以基于1：5万比例尺地质图的10类分类体系作为主输出，用于模型构建和预测。以基于1：25万比例尺地质图的7类分类体系为先验知识，用于模型训练。（1）采用模型浅层特征构建基于7类的第一辅助输出；（2）基于主输出和两种分类体系的岩性共现概率，构建基于7类的第二辅助输出。最后将上述三个有监督损失进行自适应融合。实验结果表明：本研究提出的分类模型效果较好，且优于其他对比算法。总之，基于先验知识和改进的深度学习算法能提升岩性遥感分类精度。

遥感；岩性；场景分类；先验知识；密集连接网络