准确获取田地、林地、草地和水域等地物的信息对农业生产有着重要的作用。以高分一号遥感影像为数据源,结合深度学习技术,可以获取较高精度的田地、林地、草地和水域等地物信息,可以促进农业生产的发展。全卷积网络的提出使得分割图像可以输入任意大小的图像,且与卷积神经网络方法相比,提高了处理速度。全卷积网络在处理自然图像时效果显著,但是它并不适合处理遥感影像,其主要原因是全卷积网络去除了卷积神经网络的全连接层,依然存在过多的池化层。虽然池化层增大了上层卷积核的感受野,但是在聚合背景的同时丢弃了部分位置信息,池化层的数量越多,丢失的位置信息就越多。另一个原因是高分一号遥感影像的清晰度达不到自然图像的标准,即高分一号遥感影像对于物体细节的表达达不到自然图像的标准。然而,语义分割方法需要对类别图谱进行精确调整,因此需要保留池化层中所舍弃的位置信息。本文借鉴全卷积网络在图像分割上处理的方法,提出一种基于全卷积网络的新的网络结构高分一号遥感影像分割网络,主要工作如下:1、数据集制作。融合后的整幅高分一号遥感影像很大,如果直接输入网络训练,显卡会出现内存溢出的问题,本文使用ENVI 5.2直接在融合后的高分一号遥感影像上裁剪出分辨率为300*400的JPG格式的图片,然后使用标注软件对遥感影像进行标注,将其灰度值标记为0到N的某个值,即属于不同物体的像素点依次标记为1、2、3……N-1、N,其他物体的像素点标记为0。2、对双边滤波算法改进。使用网络模型得出的不同地物类型的分割结果在虽然有较高的整体分割精度,但是在考察每个地物类型时,因为遥感影像的地物轮廓边缘复杂,所以在分割出地物的边缘存在噪点等问题。为提高时间效率,本文对双边滤波算法进行改进,把二维卷积操作分离成两个一维的卷积操作,在神经网络模型的最后加入一层边缘修正去噪层,对原神经网络分割的结果再进行一步处理。3、基于全卷积网络设计出一种高分一号遥感影像的分割方法(Remote Sensing Segmentation Full Convolutional Network,RSSFCN),该分割方法能够保留高分一号遥感影像的空间位置信息,可以将任意大小的图像不加变形直接输入到网络中进行分割,输出分割结果。实验结果表明,本文提出的方法不仅提高了处理高分一号遥感影像的时间效率,而且总体分割准确率为90.3%。