准确和及时地了解水稻种植区情况,对于水稻产量估计、全球气候变化研究和农业资源管理至关重要。然而,传统的人工统计方式费时费力,直接制约相关农业政策的制定。近年,遥感技术被广泛应用于农业领域,因其分辨率高、观测范围广、时效性强等诸多优点,己成为农业监测、精细农业等工作的重要技术手段。然而,由于高分遥感影像存在数据体量大、明显的相似区域干扰、目标尺度多变等问题,导致水稻区域提取的准确率较低。若基于中分辨率影像数据进行水稻种植区提取,往往受到影像清晰度低、时效性差等因素的制约,难以获取到准确的训练样本数据集。为解决以上问题,本论文选取Landsat-8与MODIS的中低分辨率影像数据作为数据源,选择ENVI与Arc GIS作为主要的数据处理平台,结合增强植被指数（EVI）,提取深度学习训练样本,并基于迁移学习的思想,对预先训练的卷积神经网络（CNN）模型进行微调,通过多次迭代,对模型的参数进行合理的优化调整,为了评估模型精度,还引入了传统的机器学习方法--支持向量机（SVM）进行分类效果的对比。本文的研究,旨在探讨深度学习技术在大范围混淆复杂景观区域,提取中分辨率遥感影像水稻种植区的可行性和实用性。主要结论如下:1)EVI作为植被茂密区提取地物类型的常用指数,以其获取四类地物的光谱特征存在较好的区分度,利用EVI设置特定阈值的方法提取深度学习训练样本,对于减少人工标定,提高识别精度具有重要意义。2)通过运用迁移学习的方法对本文构建的CNN模型进行参数迁移,能够有效的降低训练样本数据量的需求。同时,通过对比参数优化实验发现,将网络的批数据及学习率两项参数分别设置为100及0.1,模型更易收敛,拟合精度均达到0.90以上。3)通过对比分类效果发现,CNN的总体分类精度、Kappa系数分别为88.79%、84.92%,SVM的总体分类精度、Kappa系数分别为86.36%、81.67%,说明CNN在整体分类性能上优于SVM;同时,通过对比两种模型关于水稻的识别能力发现,不论是用户精度还是生产者精度,CNN亦均高于SVM,精度差距达到4%,说明CNN对于水稻的识别能力更加出色。4)基于本文构建的CNN和SVM两种分类模型,识别获取的成都地区2017年水稻种植面积分别为128719公顷和150587公顷,通过与统计数据进行对比,二者的准确度分别为94.30%和89.68%,说明CNN更加契合统计数据。