1.一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，其特征在于包括以下步骤：
步骤1，构建深度卷积神经网络alexnet模型；
步骤2，在alexnet模型的基础上，利用卷积神经网络alexnet进行深层特征提取，然后利用支持向量机svm进行分类；
步骤3，在上述分类的基础上，通过影像配准和差值计算，实现土地利用变化检测方法。
2.根据权利要求1一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，其特征在于：所述步骤1，构建深度卷积神经网络alexnet模型中，alexnet是一种典型的深度卷积神经网络模型，该结构为8层卷积神经网络，包括5个卷积层和3个全连接层，且网络前端为输入图像的原始像素，最后端为图像的分类结果。
3.根据权利要求2一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，其特征在于：在图像分类过程中，该模型包括卷积conv、池pool、规范化norm操作和dropout策略，包括以下步骤：
以卷积神经网络的输入为原始图像p，用fi表示第i层的特征图，fi＝p为输入层，f1-f5为5个卷积层，f6＝fc6，f7＝fc7，最后一层为输出层；
步骤1.1，假设fi(1≤i≤5)表示卷积层，fi的生成过程可以表示如下：
式中，wi表示第i层卷积核的权向量，bi表示第i层的偏移向量，通过卷积核对第i-1层特征图的卷积运算。最后利用非线性激活函数f得到第i层的特征图fi，alexnet模型用relu激活函数代替传统的sigmoid和tanh函数作为神经元的非线性激活函数；
步骤1.2，relu激活函数的数学表达式如下：
f(x)＝max(0,x)
式中，x是前一层卷积运算的结果；非线性映射是通过relu激活函数来实现的，与传统的sigmoid激活函数相比，relu激活函数克服了sigmoid激活函数的梯度饱和问题，在反向传播计算过程中，缓解了梯度弥散问题，进而加快了模型的收敛速度；
步骤1.3，pool表示池化操作：
池化层之后通常是卷积层，特征映射根据一定的下采样规则进行下采样；池化可以对特征图降维，并在一定程度上保持特征的尺度不变性，同时可以防止过度拟合。如果fi是池化层，那么池化的操作如下：
fi＝subsampling(fi-1)
式中，subsampling是下采样函数，包括最大池化、平均池化或随机池化；alexnet仅在模型的conv1、conv2和conv5的3个卷积层后进行最大值池化；
步骤1.4，norm表示局部响应的规范化：
alexnet所采用的局部响应的规范化本质上是一个平滑的操作，即：
式中，
步骤1.5，dropout策略，以50％的概率将每个隐藏层的输出设置为0，并且不再在前向或后向过程中起任何作用；
步骤1.6，softmax分类器，在神经网络的输出层经常使用softmax函数，它将神经元的输出转化为概率的形式，从而确定分类类别；softmax的公式如下：
式中，k为最后一层神经元数，即分类类别数；xj为第i类神经元数的预测结果；引入softmax的结果是取每个xj取指数变成非负，然后除以所有项的和并将其归一化；现在每个σi都可以解释为输入数据属于i类的概率。
4.根据权利要求1一种alexnet和svm相结合的卫星遥感影像土地利用变化检测方法，其特征在于：所述步骤2主要包括以下四个阶段：
(1)遥感图像预处理阶段，首先对原始图像进行主成分分析pca变换，实现数据压缩和降维，并将前三个主分量作为输入图像进行特征提取，将预先训练好的alexnet网络模型作为特征提取器，要求输入图像为3个波段；
(2)深层特征提取阶段，将以待分类像素为中心的邻域插值到224×224像素，采用最近邻插值方法，保留遥感影像的光谱信息；归一化过程是从插值的邻域图像中减去训练样本集的平均图像，然后将其输入到预训练的alexnet中，提取卷积层或全连接层的深度特征；对于邻域信息不完整的边缘像素，复制并填充邻域信息，得到完整的邻域信息；
(3)分类阶段，该阶段包括训练部分和分类部分，所述训练部分将从训练样本提取的深层特征送入svm分类器中，对svm分类器进行训练，得到训练好的svm分类器；所述分类部分将待分类像元的深度特征输入到训练好的svm分类器中进行分类，将分类结果的类别标签赋给中心像元，依次遍历整个影像完成土地利用分类；svm的分类算法取自libsvm工具箱，核函数为线性核函数，参数选取采用最常用的网格选取方式寻找最优解；
(4)变化检测阶段，通过影像配准和差值计算，实现土地利用变化检测。