针对现有方法在无人机植被覆盖影像上存在特征筛选复杂、分类精度不高,工程量大的问题,研究适用于无人机可见光波段影像植被识别,具有较高准确性、快捷实用的语义分割模型,以提高植被分类的精度。本文的主要内容及结论如下:(1)通过无人机航拍获取研究区可见光波段影像,对航拍图像进行像素级标注,建立植被覆盖图像数据集;对语义分割模型Deep Lab V3+加以改进,然后,在改进模型的基础上,将图像特征提取算法结合到改进的Deeplab V3+网络中去,并讨论了不同的结合方式下的模型效果。(2)使用随机森林(Random Forest)、Seg Net、U-Net、Deeplab V3+四个基础模型进行实验对比,三个语义分割模型表现均优于传统的随机森林图像分割算法,Deeplab V3+表现最好。(3)改进的Deeplab V3+模型在无人机植被覆盖影像上能够取得较好识别效果,参数量仅为原Deeplab V3+模型的6.74%,像素准确率和平均交并比分别为94.97%和74.08%,相比原始Deeplab V3+模型分别提升了1.33%和7.65%,能更快、更精准地得到植被覆盖数据。(4)仅以图像特征作为输入时并不能给模型指标带来提升,而图像特征结合原图的输入方式能够使模型得到更好的分割结果。其中原图结合HSV颜色特征输入的模型表现最好,较改进的Deeplab V3+模型像素准确率提升了2.18%,精确率提升了0.57%,召回率提升了2.24%,平均交并比提升了2.40%,达到了76.48%。综上所述,本文以获取到的植被图像数据集为研究基础,以语义分割方法为研究手段,实现了对植被图像的语义分割,该方法具有一定实用性,能更快、更精准地得到植被覆盖数据,可为无人机可见光波段影像植被覆盖区域提取研究提供参考。