稀土作为我国极其重要的战略性资源,被广泛的应用在微电子、化工、芯片、机械、国防、新能源等高新技术领域。在全球国家加紧对战略性资源的争夺以及中美贸易战不断升级的当下,如何实时、高效地对稀土矿区进行过度开采、非法开采监控、规范管理稀土开采、对稀土资源进行有效保护已成为稀土行业不可忽视的问题。本文借助近年来飞速发展的人工智能深度学习技术,以高分辨率遥感影像为数据源构建赣南稀土开采特征识别方法,为稀土行业的监管提供技术支持。选取赣南岭北稀土矿区作为研究区,采用法国0.5m分辨率的Pleiades影像为数据源,进行稀土矿区遥感影像地物识别的深度学习方法研究,研究主要内容有:(1)对获取的Pleiades影像数据进行融合、裁剪识别、数据增强和图像尺寸归一化等预处理,根据稀土矿区地物实际类型给数据集添加标签和位置信息,并将数据划分为训练样本和测试样本以形成稀土矿区遥感影像深度学习数据集;(2)根据神经网络模型、激活函数、卷积神经网络、分类器和非极大值抑制算法等深度学习理论构建以Mask RCNN为基础的稀土开采特征识别算法;(3)通过对模型超参数的调整训练算法模型实现对稀土开采特征的识别,得到初步实验结果;(4)根据实验结果,将Pleiades影像的NDWI加入数据集优化算法性能,采用不同的基干网络测试稀土开采特征识别效果,最终将稀土开采特征识别精度提升到95.53%。综上,本文将当前热门的深度学习技术与遥感技术相结合,构建的稀土开采特征识别精度较高,且在加入遥感影像的归一化水体指数后能够进一步提升识别精度到95.53%,可以为稀土监管部门提供技术支持。