随着社会经济的不断进步,我国水污染问题日益突出。目前,我国的水体污染事件主要发生在城市或者城市聚集区,明确城市中的水体分布情况就成为了各地方部门开展相关工作的重要前提。本文针对高空间分辨率遥感水体提取的应用需求,对高空间分辨率遥感影像上的城市水体信息自动提取技术进行了研究,论文的主要工作如下:(1)结合面向对象卷积神经网络与矢量约束的水体提取将面向对象图像分析技术与深度学习中的卷积神经网络相结合,利用图像分割方法获得对象基元,构建分割对象基元与模型块基元之间的对应关系;采集样本并训练深度学习模型,利用模型对分类块基元进行预测,并将分类块基元的预测结果映射到分割基元,得到分割基元的水体预测概率。而后,将分割得到的对象基元与已有矢量数据进行重叠分析,得到二者的重叠关系,然后利用矢量数据与对象基元间的重叠关系以及对象基元的模型预测结果、面积及光谱特性,构建提取规则,将模型预测结果与提取规则相结合,实现水体提取结果的精化。(2)结合全卷积网络与矢量约束的水体提取应用全卷积网络进行水体提取,首先进行样本区域水体信息的标注,将样本区域及其掩膜层转换为带标签的样本,对模型进行训练得到语义分割模型,并利用模型对图像进行预测。而后,将矢量数据与模型预测概率图叠合,建立水体提取知识规则,实现水体提取结果的精化。论文选择高分辨率遥感影像,针对城市区域水体信息提取开展了实验,结果表明,两种不同的深度学习方法都实现了地物阴影及建筑物的有效去除,具有良好的提取效果。前者利用约束矢量与分割图斑的关系构建提取规则,与分割图斑的模型预测结果相结合实现水体提取结果的精化,方法结合了面向对象技术,使得样本选取较为方便,但也造成模型对分割精度有较大依赖;后者利用约束矢量与像元的空间关系,采用高低概率阈值搭配的方法,实现了水体提取结果的精化,方法样本选取需要人工勾画,过程较为繁琐,但模型在提取细小水体上具有一定优势。