水稻是我国的主要农作物之一,在我国粮食生产中占有举足轻重的地位。将全卷积网络应用到遥感影像的水稻识别领域,不仅显著提高了识别的精准度,也大幅度降低了人力及物力的消耗,逐渐成为精准农业领域发展过程中的重要技术之一。本文将沈阳市Landsat8 OLI多光谱影像分别与全色波段影像和近红外波段影像进行融合,通过分析影像融合前后水稻、水体、其他植被、裸地、山地和建筑六种地物的纹理、颜色和几何特征以及归一化植被指数、光谱特性曲线,提取每种地物的表象特征,然后以三组影像的支持向量机分类结果为基础,绘制三组水稻分布标签图,最后通过全卷积网络的图像分割技术对沈阳市水稻种植区域进行识别,并估算其种植面积。通过本文的研究得到如下研究成果:(1)本文采用Gram-Schmidt光谱锐化的融合方法将Landsat8 OLI多光谱影像与全色波段影像进行融合,将其空间分辨率提高至15m,图像清晰度明显提高。为了探讨水稻与水体在近红外波段处的反射作用,本文又引入Sentinel-2A卫星10m空间分辨率的近红外波段影像与多光谱影像融合,融合结果表明,水体的光谱曲线走势的变化规律与水稻不同,其光谱反射率不但没有增大,反而减小很多,这一变化规律的不同,更加大了融合后影像中水体与水稻的差异,有效地区分了水体与水稻。(2)本文首先采用支持向量机的分类方法,对沈阳市六种地物进行初步分类。在对原始多光谱影像的支持向量机分类过程中,共进行9组试验,即在6月、7月、9月3个时段,对每个月份分别选取了3组不同区域的训练样本,进行交叉分类试验,避免了由于分类时段和样本区域选取不恰当而造成的误差,试验结果显示6月份中样本组3的试验组分类精度最高。然后以样本组3选取的区域为训练样本,对6月份的融合PAN影像和融合NIR影像做相同的分类试验,得到初步分类结果。最后根据归一化植被指数、光谱特性曲线等特性,对原始多光谱影像、融合PAN影像和融合NIR影像中六种地物的分类结果进行校正修改,分别绘制三组标签图,建立网络训练标签图图库。(3)本文采用全卷积网络对沈阳市水稻种植区域进行识别。以U-Net模型为训练网络,通过引入中间隐层特征图,增加了相邻像素间的相关性,并以标签图为参考依据,调整网络参数,实现了像素级别的图像分割,建立了水稻种植区域识别模型。其中融合NIR影像的分割结果综合评价最高,总体精度为85.6780%,Kappa系数为0.8656,经进一步计算可得,2015年沈阳市水稻种植面积为1032.98km~2,采用抽样调查的方法进行精度验证,精度为85.3%,采用基于样方面积的方法进行精度验证,精度为86.37%。