不透水面的空间分布及几何形状与城市的发展规划及环境保护息息相关。近几十年来,航空航天技术发展迅速的同时也为城市不透水面提取提供更多的可能。本文以卷积神经网络为例探讨了深度学习模型应用于哨兵二号卫星遥感影像的不透水面提取的可行性,研究不同复杂度的模型对不透水面提取的泛化能力。而后对不同区域的不透水面的空间异质性即空间分布、材料特性及光谱特性进行分析。最后将分析结果应用于传统指数方法,将传统指数与不透水面提取模型相结合,实现不透水面提取。本文主要内容可以下三个部分:(1)基于深度学习的不透水面提取可行性分析。本文以卷积神经网络为例,介绍深度学习模型实现的理论基础,并且通过搭建不同复杂度的卷积神经网络模型,分析不同复杂度的模型的不透水面提取精度。本实验不仅通过比较这些模型之间的性能差异得到最适合于这项工作的模型,而且还揭示了深度学习模型用于不透水面提取的可行性。(2)不同区域的不透水面空间异质性及光谱特征分析。本文的研究区域有三个,分别是不透水面稀疏区域、中等区域及密集区域。通过对不同区域的不透水面的分布特征及材料特性进行了研究分类,分析各类地表覆盖面对不同波段的光谱反射值,讨论了不同波段对于提取不同区域不透水面的可行性。(3)传统指数与深度学习模型结合。本文将城市地表覆盖面分为三类,不透水面、透水面及水体。本文通过对不透水面的光谱特性进行分析,对原有水体指数及建筑物指数加以改进,再分别与不同区域的这三类覆盖面的常用指数进行对比,比较每一类覆盖面的指数的类间均值差异。最后,采用改进后的水体指数、改进后的建筑物指数及垂直不透水面指数与原始波段结合,共同组成卷积神经网络模型的输入,比较不同指数与波段结合后的输入的整体精度。实验证明了深度学习模型在不透水面提取任务中的具有可行性的同时,也表明采用不同地类指数与原始波段共同组成新的特征输入可以提高深度学习模型的精度。