一種基于隨機(jī)卷積神經(jīng)網(wǎng)絡(luò)的高分辨率圖像場景分類方法，包括數(shù)據(jù)去均值，獲得待分類圖像集和訓(xùn)練圖像集；模型共享的參數(shù)庫隨機(jī)初始化；計(jì)算待分類圖像集和訓(xùn)練圖像集的負(fù)梯度方向；訓(xùn)練基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)模型的權(quán)重；更新函數(shù)預(yù)測，得到加和模型；迭代達(dá)到最大訓(xùn)練次時(shí)，利用加和模型對待分類圖像集進(jìn)行識別。本發(fā)明使用深度卷積網(wǎng)絡(luò)對特征進(jìn)行層次化學(xué)習(xí)，利用梯度提升方法進(jìn)行模型的聚合學(xué)習(xí)，用來克服單個(gè)模型容易陷入局部最優(yōu)解問題，同時(shí)提高網(wǎng)絡(luò)泛化能力；在模型訓(xùn)練過程中，加入了隨機(jī)參數(shù)共享機(jī)制，提高模型的訓(xùn)練效率，可以在合理的時(shí)間代價(jià)下實(shí)現(xiàn)對特征的層次化學(xué)習(xí)，學(xué)習(xí)到的特征在場景識別中更具有魯棒性。