城市功能区（Urban Function Zone，UFZ）是相同类型的人类活动在城市空间中的聚集，其类别信息（如商业、教育、工业等）对城市合理规划布局意义重大。许多研究将高分辨率遥感影像与地理大数据（如手机信令、POI等）融合，并用功能区基本分类单元分割得到功能区图斑，进而对这些图斑进行分类识别。尽管深度学习方法在遥感图像分类中取得了良好的效果，但在城市功能区分类应用中却受到不规则的图斑无法直接输入深度学习模型中的限制。为此，本研究设计了一种针对不规则城市功能区图斑的深度学习分类方法。数据方面，将高分影像与POI点数据形成的密度热力图堆叠，生成多通道影像，以实现多源数据的融合，为功能区分类提供更丰富的信息；模型方面，构建了一种端到端的深度学习模型SF-Net（Shape-Free Networks），其输入端为各功能区最小外接正方形分割所得的影像块，并通过其中的掩膜层（Mask Layer）保存图斑的不规则形状信息，突出原功能区范围的信息，以此实现对不规则图斑的处理。此外，考虑到不同功能区之间面积差异较大，将所有影像块缩放到同一尺寸会造成严重的尺度效应，为此，本研究将这些影像块缩放到多个不同尺寸，分别送入SF-Net的骨干网络，提取不规则图斑的多尺度深度特征，并用于城市功能区分类。将所提方法应用于广州和珠海地区城市功能区分类，分别取得了92.73%和88.54%的总体精度（OA），显著优于现有多数方法。由此表明，所提方法在大规模城市功能区制图方面具有巨大潜力。

城市功能区分类,遥感科学与技术,深度学习,多源数据融合,Shape-Free Networks