中国作为传统的农业大国,农村发展是我国经济建设的重要组成部分。随着“建设社会主义新农村”和“乡村振兴”等政策的实施,土地合理利用和科学规划的重要性日益凸显,对地物进行精准识别和有效分类工作将在其中发挥着关键作用。目前,地物的识别和分类原始数据主要源于遥感影像,航空航天遥感作为主流的遥感影像获取平台,以其作业范围大、高分辨率广泛应用于农村地物识别和分类工作,但存在时效慢、成本高、受环境气候因素影响较大等缺点。相比之下,近年来快速兴起的无人机低空遥感以其高效率、低成本、高机动性在农村地物识别和分类工作中更具优势,但是基于无人机遥感影像的地物研究尚处在目标检测的阶段,特别是和深度学习融合在一起的识别分类方法和模型少之又少。如何在无人机遥感影像中实现高效率、自动化识别地物类别和土地界限已成为当今研究的重难点之一。因此,将深度学习技术和无人机遥感技术两者融合,进行农村地物识别分类的工作是十分必要的。为了实现地物识别分类工作的自动化、智能化和精细化,本文基于深度学习的原理,利用目标检测和语义分割的方法,以YOLO-v3和U-net为基础网络模型,提出两个改进的模型用于农村地物识别和分类。首先,针对基于无人机遥感影像所制作的目标检测和语义分割的数据集较少的问题,以江西省丰城市某村为研究区域,利用无人机获取原始遥感影像,经过数据预处理获得影像数据,利用label Img标注工具制作名为Air1的目标检测数据集,利用labelme标注工具制作名为Air2的语义分割数据集。其次,针对目前缺少具有通用性的农村房屋和田地的土地覆盖分类模型,建立YOLO-v3和改进的YOLO-v3两个目标检测模型、U-net和改进的U-net两个语义分割模型,将每种任务的两个模型进行比较,选择出较优的模型用于实际作业。得到以下结论:（1）在目标检测实验的两个模型中,YOLO-v3模型m AP值为70.67%,改进的YOLO-v3 m AP值为72.60%,改进模型比原版模型的总体精度更高。其中,房屋的检测识别上,改进模型的AP值比原版高3.9%,F1-score比原版高7%;田地的检测识别上,改进模型的AP值比原版仅高出0.01%,F1-score上两者的得分是一样的,故改进模型在房屋的检测识别效果较优,田地的检测识别效果一般。（2）在语义分割实验的两个模型中,U-net模型的m Io U值（mean Intersection-overUnion）为59.4%,改进的U-net模型的m Io U值为60.3%,改进模型总体精度略高于原版模型。其中,房屋的检测分割上,改进模型的Precision上比原版低1%,Recall比原版高3.8%,Io U（Intersection-over-Union）比原版高1%;田地的检测分割上,改进模型的Precision比原版低1.2%,Recall比原版高4.2%,Io U仅比原版高0.8%,故改进模型在房屋和田地的分割效果均一般。通过对两种任务中四个模型的识别及分割效果影像和评价指标值对比分析发现,改进的YOLO-v3模型能够满足农村地物有效分类中“快而准”的精度要求,而改进的Unet模型能够满足地物精准识别中“精细化作业”的现实需求,综合两个模型能够有效提升农村地物自动化分类的效率。本研究成果可为农村土地合理利用和科学规划提供科技支撑。