气象卫星在进行环境监测中发挥重要作用,中国的风云系列气象卫星自开始研发至今51年以来为中国气象预报和自然灾害监测发挥了重要作用,新一代的极轨卫星能够全天候开展全球范围内数据获取任务,对于及时开展全球变化研究发挥重要作用。目前,国内关于全球陆表水体提取工作的开展还有待进一步开发,率先利用风云卫星MERSI 250米分辨率数据进行全球陆表水体提取工作,对利用该卫星数据进行全球变化研究和其他系列产品制作具有重要的参考意义。本论文以数据量极大、数据时间分辨率高、全球范围内分布的FY-3D/MERSI数据为基础。开展了基于MERSI数据的基本处理方法研究和对应的全球数据处理和生成实验。在研究遥感数据进行陆表水体信息提取的各种方法的基础上,开展了MERSI数据基于自适应单波段阈值和自适应归一化水体指数阈值法的水体提取研究。重点对机器学习中集成方法的极限随机树（Extre Trees）、随机森林（Random Forest）、自适应增强法（Adaboosting）和提升梯度随机树（Gradient Boosting）进行研究和水体提取实验。在对深度神经网络进行学习和模型改善后,采用该改进的方法开展全球范围水体样方的水体提取实验,利用2020年全球范围部分时间段数据,进行特定区域的水体提取,利用全年数据开展在中国南方长江流域对应水体提取和分析实验。本论文进行的针对FY-3D/MERSI数据的研究内容和实验结果如下:（1）针对全球范围内不同气候区及地表覆盖类型,结合柯本气候区划分和30米全球陆表覆盖FROM-GLC数据开展了全球陆表水体提取实验样方的选定工作,共选取139个样方数据,在此基础上,对每个样方按照多个时间段进行数据的筛选,进一步开展逐个样方水体样本的采集,共计获取全球水体样本226689个,非水体样本760215个。（2）在利用多种水体提取方法进行实验的基础上,重点开展集成学习的四种机器学习方法研究,利用对应的模型评价指标开展对应的分析工作,并用各类模型对全球陆表水体提取样方进行提取。在对深度神经网络进行学习研究的基础上搭建适宜于水体样本训练的DNN模型,并针对MERSI数据水体样本特征进行对应的改进和转换,开展全球样方的水体提取实验,各类方法进行结果对比和精度评价后,认为机器学习方法中极限随机树方法精度最高,达到98.71%,深度神经网络方法精度为97.68%,但对于部分细小流域的水体提取中效果最好。（3）基于风云基本处理和转换获取20天全球数据和全年中国南方长江流域MERSI数据后,利用深度神经网络开展水体提取工作,获得2020年中国南方长江流域每月水体频数分布图,并进行对应的分析讨论。