随着我国土地和水利资源利用规模的持续扩大,国家对于水库及周边土地的规划管理力度也在逐步加大。为了精确高效地获取自然资源和地理空间信息数据,目前大多采取无人机航拍的方式,通过对航拍影像数据进行图像处理实现三维建模。在水库场景的无人机航拍图像三维建模过程中,由于航拍图像中包含大量水域画面,会对建模的实现产生干扰,并影响三维建模的最终效果。因此水域图像和水陆交叉图像水面区域的检测去除工作十分重要。本课题针对的水库航拍图像背景复杂、干扰因素繁多,需要利用高鲁棒性的特征提取方法进行图像特征提取。水陆航拍图像分类问题中,类间差异不明显,类内情况复杂多变,特别是水陆交叉图像与水域图像及陆域图像高度相似,同时兼具两者的图像特征,基于传统方法的图像分类无法对水陆交叉图像实现精确分类。水陆交叉图像分割问题中,水陆交界处情况多变,部分图像水陆分界线不明确,传统图像分割方法不能对复杂水陆交叉图像有效分割。得益于近年来深度学习方法在图像处理领域的显著表现,为本文基于深度学习网络研究水库航拍图像的水域检测分类及分割方法提供了思路。本文利用基于深度学习的图像分类和图像分割技术进行水库航拍图像水面区域的自动检测,提出一种基于残差网络的水库航拍图像分类及水陆交叉区域分割方法,设计基于残差网络的图像分类和图像分割模型。对于无人机拍摄得到的图像,首先通过模型的特征提取网络获得图像特征信息,将获得的特征向量输入基于全局平均池化改进的分类网络进行分类识别,可以实现精确的图像水陆分类。然后将基于分类网络得到的水陆交叉图像输入到针对水陆交叉区域分割任务构造的图像分割网络,利用基于空洞卷积的多尺度融合方法得到分割结果,实现精准分割水陆交叉图像的水域部分。最终结合分类和分割网络的水陆分类和分割结果,完成水库航拍图像水面区域检测工作。