地表水体信息的获取对洪涝灾害分析、环境保护、水资源开发和利用等多个方面具有重要意义。随着遥感技术的发展,利用遥感技术手段获取地表水体信息越来越占据主要地位。目前,谱间关系法和归一化差异水体指数等传统的水体提取方法已经不能满足当前大范围应用的需要,越来越多的研究者利用机器学习方法来提取水体信息,浅层机器学习模型取得了一定的效果,但需进行复杂的人工特征分析与选取。深度学习是机器学习研究中一个新的领域,是当前人工智能的研究热点,其深层网络模型具有强大的表达能力,能够从样本中自学习更有用的特征,在语音分析、图像识别和自然语言处理等方面取得了突破性进展。本文采用机器学习方法建立相关模型进行水体信息提取,主要工作包括以下几个方面:(1)对传统的水体提取方法进行了总结,分析了这些方法的优缺点。详细介绍了遥感图像的预处理方法和支持向量机(SVM)模型,为后文的实验做准备。(2)提出一种基于BP神经网络的河道水体提取方法。该方法综合能有效提取水体尤其是细小水体的多种方法,充分利用特征组合的优势,从ETM+影像中提取谱间关系、改进的归一化差异水体指数、K-T变换的第三分量(TC3)以及IHS彩色空间等多种特征进行网络训练。(3)提出一种基于栈式自编码的遥感图像水体提取方法。该方法结合无监督与有监督学习的优点,通过堆叠多层稀疏自编码器和softmax分类器建立深度网络模型,采用逐层贪婪训练法依次训练网络的每一层,从像素层面无监督学习特征,避免了显式的特征抽取过程;利用学习到的特征以及相应的样本标签有监督训练softmax分类器;采用反向传播算法优化整个模型。(4)提出一种基于卷积神经网络的遥感图像水体提取方法。该方法充分利用了遥感图像的光谱和空间信息,采用模拟人脑的分层结构,直接从原始数据中提取由低层到高层、由具体到抽象的特征。其局部感受野和权值共享大大减少了需要训练的网络参数数量,降低了网络模型的复杂度,空间的子采样结构对一定范围内的平移、缩放以及其他形式的变形具有高度不变性,在图像处理方面具有独特的优势。在相关数据上进行的实验表明,与现有的一些方法相比,本文构建的水体提取模型能有效的从遥感图像中提取所需要的水体信息,提高了水体提取的准确率和自动化程度,更具有应用性。