梯田作为我国黄土高原地区旱作农业发展的主要途径之一,发挥着农业生产与水土保持生态保护双重功效,因而在农业农村发展中具有重要的地位。作为黄土高原基本农田的组成部分,梯田是地理国情调查的一项关键内容,利用遥感技术监测梯田动态变化对于梯田建设和保护具有十分重要的意义。与常规的农田提取不同,由于梯田广泛分布于黄土高原复杂的地形环境（黄土墚、黄土峁等）,需要避免和和川台地区农田的混淆,同时梯田受作物生长的不同状态或退耕还林还草的影响较大。传统的基于像元的分析方法只能利用光谱数据,难以避免“同物异谱”与“异物同谱”现象,不易从中高分辨率遥感影像中提取出来。近几年发展起来的深度学习语义分割方法可以综合运用影像中蕴含的多层次语义特征,为遥感信息提取开辟了新的途径。鉴于此,本文利用哨兵二号卫星影像与地形数据,联合遥感影像波谱优化组合和地形特征参数,提出一种面向黄土高原梯田的深度学习提取方法,并在甘肃省祖厉河流域研究区取得了较好的结果。本文的主要内容与结论如下:（1）构建了一套梯田语义分割样本数据集。本文以哨兵二号光谱影像与中分辨率DEM数据为基础,将可见光、近红外波段与高程信息衍生出的坡度、坡向、曲率合并生成不同的输入数据组合,并通过数据增强技术扩充样本数据集。该过程中,本文将两种不同的图像裁剪方案分别应用在了训练阶段与测试阶段,最终生成了5919组图像块,为后续的模型训练奠定了基础。（2）基于改进的U-Net语义分割网络进行梯田识别。针对黄土高原梯田复杂的地势条件与植被覆盖类型,本文提出了一种联合波谱优化和地形分析的改进深度学习模型。其中,波谱特征用于对梯田纹理、植被的检索,地形分析解决与非梯田农田的混淆。为了联合不同的特征,本文构建了一种添加金字塔压缩注意力模块与多级特征注意力上采样模块的改进U-Net模型。编码器阶段通过多尺度空间信息增强特征提取能力,同时在解码器中利用不同层次的特征,为恢复空间分辨率的过程提供辅助信息。实验表明,改进后的模型能够增加梯田信息提取结果的完整性,获得更为平滑的、符合实际的边界。且在交并比和总体精度中分别得到66%及91%的提取效果,优于常用的U-Net、FCN、Deep Lab V3+等模型。此外,单独使用光谱影像或者地形特征在梯田提取应用中存在较大的劣势,川台农田或山坡中非梯田的区域出现较多误分。而结合光谱与地形特征的数据则具有明显提升,尤其以红光、绿光、蓝光、坡度、坡向、曲率组成的六通道数据组合取得了最佳提取效果。（3）使用最优训练模型完成祖厉河流域的梯田信息提取,定量分析了模型在不同地形与植被环境下的提取效果,并进一步进行了模型迁移实验。结果显示本文的方法具有较高的空间泛化能力,对位于黄土墚、黄土峁或处于留茬地、在耕地等状态的梯田都展现出了良好的提取效果。但在退耕还林草区域难以保持较好的稳定性,大部分的漏分误分皆来源于此。