目前我国水土流失状况严峻,因此相关水土保持监管工作刻不容缓。生产建设项目在建设过程中会开挖地表造成严重的水土流失,为了做好水土保持监管工作,最有力的手段是对生产建设项目扰动区(扰动图斑)进行监管。传统方法利用遥感影像对扰动图斑进行检测时依靠的是相关技术人员在遥感影像进行手动标注,但是手动标注效率低下、时效性差。尤其是在水体区域这种复杂的地势条件下,手动标注的难度远大于其他地区,因此需要一种自动化检测方式代替手动标注。而遥感影像中的目标检测是一种自动化检测方式,具有监测范围广、检测迅速等优点,可以弥补传统方法的不足。论文研究以江西省某地区作为研究区,利用高分二号卫星影像对水体区域邻近扰动图斑进行检测。主要工作分为两步:首先提取遥感影像中的水体信息,检测出水体区域,然后检测水体区域邻近的扰动图斑。具体研究工作包括以下几个方面:(1)研究了基于遥感影像的水体信息提取和扰动图斑检测的相关技术。首先分析了水体信息提取和扰动图斑检测的研究现状并总结其主要特征,然后基于遥感影像的目标检测方法,引入视觉注意力模型与神经网络模型并进行了深入研究,提出了适合水体区域以及扰动图斑检测的方法模型。(2)针对传统遥感影像中逐像素提取水体信息效率低的问题,本文在遥感影像中引入了视觉注意力机制,通过使用显著性检测方法得到水体的视觉显著区域并对其进行检测。首先本文基于属性剖面设计选择了合适的属性对遥感影像进行属性滤波并差分联合获得水体的空间特征;然后结合属性剖面获取的空间特征对上下文显著性方法进行改进提取水体的视觉特征得到水体视觉显著图;最后用显著图对GrabCut分割方法改进检测出水体区域。实验结果表明,该方法可以有效地提取到遥感影像中的水体信息,检测出遥感影像中的水体区域。(3)针对传统遥感影像中手动标注扰动图斑效率低的问题,本文运用基于语义分割网络的Unet(Unity Networking)对扰动图斑进行自动化标注。而扰动图斑本身形状不固定且易与裸地混淆,针对上述问题,本文使用残差网络对Unet改进得到R-Unet(ResNet-Unet),提高Unet提取扰动图斑特征能力的同时避免了网络过深造成的梯度消失现象。之后针对手动标注的扰动图斑训练样本不足的问题,本文使用迁移学习的手段将残差网络进行预训练并迁移其网络权重得到基于迁移学习的R-Unet网络,最终使扰动图斑的检测精度得到了提升。