准确、快速地提取耕地面积和分布信息是农业生产的基础,对于农业资源监测和国家粮食安全具有重要的意义,随着遥感技术的发展,通过遥感影像分类方法来提取耕地信息成为了一种非常高效的方式。遥感影像中耕地的光谱、纹理等特征类内差异大,同物异谱现象严重,特征提取难度大,使得耕地提取成为难点问题。传统的遥感影像分类方法采用浅层特征提取结构且需要人工参与参数选择和特征选取,无法有效提取出分类所需特征,不能准确提取出各种类型的耕地。本文期望利用深度学习方法强大的特征提取能力解决这个问题,进行了将深度学习方法迁移应用于遥感影像耕地提取的探索。在迁移学习时,遥感影像除了含有自然图像常用的红,绿,蓝波段数据外,还包含近红外等更多的波段数据。探索各波段数据对改善耕地提取结果的有效性对于充分利用遥感影像丰富的信息具有重要意义。因此,本文对来自Landsat和高分二号卫星的遥感影像进行了波段选取,构建了四个不同波段组合的数据集。同时,为了规避在大型自然图像数据集上得到的预训练模型只适用于三波段图像数据的问题,本文对深度学习方法进行了筛选,选用轻量级深度全卷积网络UNet,在具有不同波段的数据集上采用了从头训练U-Net模型的方法进行耕地提取实验。除此之外,针对因U-Net网络结构中的下采样操作导致的影像高分辨率的细节信息丢失、耕地提取结果边缘平滑等问题,本文对U-Net算法的跳跃连接结构和损失函数的输入部分进行了改进,提出了高分辨率U-Net(HRU-Net)算法。通过实验验证,HRU-Net和U-Net均解决了传统遥感影像分类方法存在的同物异谱问题。同时,HRU-Net相比U-Net保留了更多影像中的高分辨率的细节信息,提高了耕地提取结果的细节准确度和丰富度,并且进一步提升了耕地提取精度。