为实现快速、自动、准确的遥感地物分类和变化检测，满足水利行业中业务化遥感监测需求，我们提出了面向对象和深度学习的遥感地物分类和变化检测方法，解决了面向象元和传统分类方法在地物识别方面准确度不够、自动化程度不高的问题。传统方法的主要问题有：基于象元的遥感地物识别方法以利用遥感影像的光谱信息为主，不能充分利用遥感影像信息，降低地物分类精度；监督分类等传统分类方法需求人工先验知识太多，影响地物分类的自动化水平。基于面向对象的遥感地物识别方法能够充分利用遥感影像地纹理、形态信息，提高地物分类精度，同时多尺度面向对象分割能够满足不同尺度需求的地物分类工作。深度学习方法能够充分挖掘地物的深层特征信息，在小范围样区多时间尺度样本地类不断积累和模型充分训练地基础上，能够显著提高基于大范围目标影像地物分类的自动化水平。因此，我们通过面向对象和深度学习的遥感地物分类方法研究，结合变化检测的方法，为快速、自动、准确的水利遥感相关信息识别和变化检测提供了一种思路，并在水源地水体范围自动监测、水土保持生产建设项目动土监测、水政执法取证、灌区农作物种植结构获取等水利信息监测领域实现了业务化应用，很好地支撑了水利行业的日常管理工作。