河流湖泊等水资源作为人类生存发展的基础自然资源,对其进行必要的形态监测有着重要意义。遥感技术可提供对地物信息高时空的动态监测能力,其中对遥感影像进行水体提取成为研究的重点。传统的遥感影像水体提取技术普遍存在人工效率低、精度差、自动化程度不足等问题,难以满足高效、精细化的河湖形态监测需求。深度学习技术的产生与不断发展为遥感水体提取提供新的思路,与此同时,分布式技术的良好的扩展性以及并行化计算能力为更加快速的遥感水体提取提供支持。因此,本文基于深度学习理论和分布式技术对遥感水体提取展开研究。主要研究内容如下:（1）基于Sentinel-2遥感影像,构建一套完整的深度学习遥感水体样本数据集:首先对影像数据进行大气校正、重采样、裁剪等预处理操作,然后结合深度学习模型训练的样本质量要求,利用ENVI和GDAL工具进行水体标签制作,并编制程序对数据进行增强。（2）针对传统遥感影像水体提取技术的不足,设计一种改进Unet网络模型用于遥感影像水体提取。改进的网络结构特点如下:a.增加卷积层提取更深的图像特征信息,有助于精度的提高;b.引入深度可分离卷积降低参数量可获得更快的训练速度;c.引入忽略边缘交叉熵损失函数解决图像边缘特征丢失问题;d.添加Dropout层和BN层加快训练,防止模型过拟合,提高精度和泛化能力。实验表明,该方法水体提取精度高达97.1%,且在提取效率和自动化程度上与传统提取方法相比具有显著优势。（3）针对深度学习训练过程耗时过久的问题,基于Hadoop分布式平台和Spark并行化计算框架,采用深度学习数据并行策略,结合Tensorflow On Spark分布式深度学习框架对模型训练过程中参数同步及更新的支持,构建分布式遥感水体提取框架。实验表明,此框架下的分布式深度学习训练算法比常规算法更快,并且能保持高精度的水体提取效果。本文的研究验证了将深度学习与分布式技术应用于遥感水体提取可行性与有效性,可为高效、精准的河湖形态监测提供基础数据。