为了减少对矿山环境的破坏并保护珍贵的矿产资源,有关部门广泛使用遥感技术与地理信息技术来获取大量遥感数据,以进行矿产资源的监测工作。但目前矿山环境、矿产资源监测等领域的数据依旧使用的是人工目译与人工野外检查的方法进行获取。随着国家地质调查工作的逐步展开,现有方法已经无法满足频次日益增加的数据采集工作的影像解译速率需求。而实例分割作为计算机视觉的一个重要研究领域,在目标检测的基础上对目标实例进行逐像素分割,是一种像素级物体轮廓提取的视觉技术。对遥感影像实例分割的研究,将影像内地物作为目标实例,分割出各类地物所属的像素集合,对于推进遥感领域从人工检测到高分辨率影像自动或半自动检测物体有着重要意义。本文将深度学习技术应用于典型矿山环境遥感地物智能识别方法的研究中,致力于解决当前矿山环境遥感数据采集与解译工作的困境,具体从数据集生成和典型矿山环境遥感地物识别两方面进行研究。针对数据集匮乏和制作成本高的问题,本文提出实例分割数据集自动生成方法,在已有矿山遥感监测数据的基础上,通过设计与实现基于ArcGIS二次开发组件库(ArcGIS Engine,AE)和Weiler-Atherton算法的遥感影像分割方法和基于JSON操作类库(Newtonsoft.Json,Json.NET)的属性数据转换方法,解决样本自动批量生成的问题,为典型矿山环境遥感地物实例分割网络提供数据基础。针对当前数据采集工作中矿山地物解译困难的问题,采用Resnet-101网络提取图像特征,构建一种基于Mask R-CNN的典型矿山环境遥感地物识别模型,用于典型矿山环境遥感地物的目标检测与轮廓提取。实验结果表明,本文提出的实例分割数据集自动生成方法的应用结果与解译数据的精度并无偏差,在效率方面明显优于人工标注。该方法在保证数据准确性的情况下,实现了对解译数据的再利用并高效地生成了规范的深度学习数据集。本文使用的基于Mask R-CNN的实例分割方法,能通过实例分割数据集自动生成方法的应用结果有效构建典型矿山环境遥感地物识别模型,实现了典型矿山地物的目标识别与分割。