森林资源在社会经济发展中占有举足轻重的地位,然而中国林地广袤辽阔,普通的观测方式难以实时掌握林地内部状况。航天遥感影像具有覆盖范围广、数据获取快、影像信息丰富等特点,相比其他方式更适合对林地进行观测。将深度学习方法与卫星遥感影像技术相结合进行观测,可为林地资源的调查与规划提供及时信息,从而进一步加强环境监测、推动区域生态建设。本文提出基于端到端深度学习技术的遥感影像林地检测策略,通过图像分割的方式,透过不同角度解决因林地类内差异较大、分布不均、形状各异造成的检测正确率低的现象:1、设计最确定融合策略,从充分利用现有端到端深度学习模型的角度出发,对多个现有模型的检测结果按像元预测概率值进行比较,确定最终类别。通过这种策略保留不同模型的优点,进一步提高遥感影像的林地检测正确率。2、设计多分支回归级联融合网络,从优化网络的角度,利用多尺度输出对多个损失函数进行回归,并设计级联融合上采样块,增强不同类型的特征传递,加快网络拟合速度,提高林地检测正确率。3、针对宽视场影像的林地检测任务进行优化,通过分割输入减少运行内存、数学形态学优化“接边”现象,提高端到端深度学习模型在宽视场影像上的检测效率与检测精度。实验结果表明,本文提出的端到端深度学习模型与策略提高了遥感影像中林地的检测正确率。最确定融合策略充分利用现有模型,与多分支回归级联融合网络相同,均有效提高了遥感影像中的林地检测正确率;分割输入、形态学优化等方法使林地检测任务更易于在不同的计算机中展开。本课题所提出的方法可对遥感影像进行有效地林地检测,对其他遥感影像中的地物覆盖检测具有参考意义。