随着遥感技术的发展,遥感图像的准确度和分辨率都得到了很大提升,成为监测寒旱区湖泊生态环境变化的重要数据来源。寒旱区湖泊每年有很长时间都处于冰封期,周围地物样貌随季节变化较大,在遥感图像上呈现出较为复杂的特征,并且在背景处存在大量山脉以及阴影的干扰。因此如何准确完整地提取遥感图像中的寒旱区湖泊水体成为亟待解决的问题。深度学习中的全卷积神经网络模型能够学习到图像深层次的特征,对图像中的像素逐一进行分类,实现端到端的语义分割。因此本文以全卷积神经网络模型为基础,选择乌梁素海和呼伦湖两个寒旱区典型湖泊作为研究对象,对它们的遥感图像特征进行分析,提出了两种新的水体提取方法。本文的主要工作如下:（1）建立了语义分割数据集。现有的公开数据集中都是颜色比较单一的水体,不适合用于乌梁素海和呼伦湖水体的提取。因此本文首先获取乌梁素海和呼伦湖的Landsat8 OLI遥感图像,并对其进行一系列预处理,然后利用部分图像制作适用于乌梁素海和呼伦湖的语义分割数据集,并对数据集进行扩充。（2）提出了新的基于全卷积神经网络FCN和图割算法GrabCut的水体提取方法。首先用训练好的FCN模型对水体进行初步提取,然后把水体区域视为前景,水体以外的区域视为背景,利用GrabCut算法再次对图像进行精细分割,得到最终的提取结果。（3）提出了一种改进的Unet网络模型AU-net。在Unet模型的主干特征提取网络部分添加了卷积注意力模块（Convolutional Block Attention Module,CBAM）,使网络具有自适应能力,更加关注图像中的水体部分,然后用全连接条件随机场（Fully Connected Conditional Random Field）做后端处理,优化提取结果。（4）使用乌梁素海和呼伦湖未参与训练的遥感图像对提出的水体提取方法进行验证测试。与传统方法NDWI法、深度学习Deeplab v3+语义分割网络和原始Unet模型相比,本文提出的两种方法在精度上有明显提升,能够排除背景中山脉和阴影的干扰,减少错提漏提的现象,并且对于乌梁素海和呼伦湖不同季节的遥感图像,皆取得了较好的结果。