近些年来随着我国的城镇化、工业化的快速发展,生产建设活动越来越多。由于生产建设引起的水土流失问题也愈加严重。水土流失会带来很多问题,如:洪涝灾害、生态危机、居民饮水问题、粮食危机等。因此加强生产建设项目的监督和监管,对于解决环境问题有着重大的意义,是解决水土流失问题的当务之急。但是由于我国生产建设项目的数量多、扰动范围广、扰动周期长、需要进行现场监督检查的内容多,基于遥感影像的生产建设项目扰动图斑识别对水土保持监测具有重要的意义。我国卫星技术的不断提升,遥感图像的时间分辨率以及空间分辨率也在不断提升,多尺度的高分辨率遥感图像数据也呈现海量增长。想要更深精度和广度的进行监管,传统的方式已经难以实现,同时地物的多样性和高分辨率遥感影像的复杂性,使得对建设用地扰动进行的准确语义分割具有一定的挑战性。因而运用智能化、科技化、现代化的计算机技术辅助管理成为一条必由之路。本文提出了两种不同的算法来解决这一问题:（1）提出一种基于CHRNet的扰动图斑解译模型:将卷积模块引入到HRNet的基本架构中,提出了一种端到端的深度学习神经网络（CHRNet）,该网络能有效地检测出像素级的扰动区域,并获得精确的分割结果。CHRNet模型集成了两大模块:（a）一个是从高分辨率遥感影像中通过下采样卷积网络提取到生产建设项目的多尺度特征的;（b）另一个是HRNet网络,它将四个高到低的子网并行地连接起来,进行重复的多尺度特征融合,以生成对建设用地扰动的高分辨率表示。实验部分选取陕西省大荔、临渭、富平、白水县的遥感影像作为本次实验的训练集。首先将得到的原始遥感影像导入ArcGIS软件进行比例尺和dpi等参数设置,最后输出计算机可以识别的.tif格式的遥感图像。由于计算机很难一次识别过大的图像,因而将导出的每个县区的遥感影像都切割成512*512大小的图像,对切割后的图像进行旋转、镜像、颜色变换等数据增强操作,最后制作每幅图像所对应的标签图。在测试阶段,将提出的CHRNet模型在陕西省合阳县的2米空间分辨率的遥感图像上进行测试,其中合阳县的数据预处理方法与训练集的方法相同,但是无需对合阳县的遥感影像做数据增强操作。实验结果表明,与目前最先进的网络HRNet和TernausNet相比,在完全相同的条件下,该方法有明显的改善,特别是在检测不规则外观和小尺寸干扰点方面,具有更高的精度和整体性。例如与HRNet相比,CHRNet的Dice和Jaccard系数分别提高了 32.3%和27.3%;（2）提出一种基于空洞空间金字塔池化（ASPP）的扰动图斑解译模型,该模型在多尺度特征融合的思想上,加入空洞空间金字塔池化模块（atrous spatial pyramid pooling,ASPP）,用以获取到更多的上下文信息,解决某些特征扭曲或者消失的问题。在不降低图像分辨率的情况下扩大卷积核的感受野。在遥感影像中识别生产建设项目用该方法将详细的空间信息保留下来,达到高效精确的分割出目标区域的目的。实验部分选取陕西省大荔、临渭、蒲城、富平县的遥感影像作为本次实验的训练集,实验数据预处理的方法与CHRNet模型部分相类似,最后,将提出的模型在澄城、华阴县的2米空间分辨率的遥感图像上进行了测试。实验结果显示,该模型可以准确、有效地分割出建设用地扰动。