水资源影响着人类社会的方方面面,水资源作为一种战略资源直接决定了国民经济的发展情况以及人类社会能否可持续发展,其重要地位不言而喻。因此,对于地表水体的明确地形边界及其范围的准确识别与提取在现代社会生活生产、预测灾害以及规划战略方面有着重要的意义。近年来,随着遥感卫星技术的不断发展,通过使用遥感卫星图像的水体识别技术不论是在效率还是效果方面都取得了长足的进步,同时,深度学习目标识别及分割技术和图像处理技术的快速发展,也为基于深度学习的遥感图像上的水体识别提供了新的技术思路。鉴于此,本文的工作内容如下:首先,针对基于深度学习的遥感图像上的水体识别的研究需求,选取采用包括银川市、中卫市以及吴忠市在内的北方城市共14景GF-2号遥感卫星图像。基于实验需要,对于GF-2号遥感卫星图像进行包括辐射定标、大气校正、正射校正、影像融合以及剪裁在内的图像预处理过程。在总计43254张图片中通过人工标注的方式,构建了共计5744张大小为512×512像素的图像及其标注文件的GF-2号遥感卫星图像水体识别数据集。其次,本文通过引入基于网络的迁移学习,通过复用已有的预训练模型与所制作完成的GF-2号遥感卫星图像相结合,在达到避免重新标注采集巨大规模的新数据集,不必从零开始构建复杂模型的目的的同时,完成模型参数的调整与优化,并将优化后的模型应用于遥感卫星图像上的水体识别研究。最后,本文在以VGG为主干特征提取网络的U-Net网络的上采样编码器部分引入注意力机制模块ECA-Net,提出融合了注意力机制的ECA-Unet-VGG网络。在5335张遥感卫星图像水体识别训练集上训练,改进的ECA-Unet-VGG网络水体识别的平均交并比达到95.4%,平均像素精度达到97.48%。并通过ECA-Unet-VGG网络与分别以VGG、Resnet50、MobilenetV2以及Xception为主干特征提取网络的U-Net、PSPnet和DeeplabV3+在影像效果与性能参数两个维度对进行对比实验,验证了本文所提出的ECA-Unet-VGG网络的可行性与优越性。