耕地是农业生产活动的基础,准确快速地提取耕地对于农业资源监测和保障粮食安全有着重要意义。利用遥感影像分类是一种快速且有效的耕地提取方法。高分辨率遥感影像数据中地物目标细节丰富,可以用来提取较小的耕地地块。然而,由于耕地种植的农作物多样,使得高分辨率遥感影像中不同地块耕地的光谱和纹理等特征差异较大,同物异谱现象严重,提取耕地特征面临着极大的挑战。传统基于机器学习的遥感影像分类方法无法从影像中提取耕地的深层特征且需要人工选择特征,因此不能精确提取出耕地地块。而深度学习中的卷积神经网络是目前图像处理中最热门的方法之一,其能够从图像中自动学习及抽取深层特征,大幅提升图像处理任务的精度。因此,本文将卷积神经网络方法应用于高分辨率遥感影像耕地识别和提取的任务中,提出一种基于卷积神经网络的耕地提取方法。主要研究内容和结论如下:（1）基于迁移学习的卷积神经网络耕地遥感识别。首先使用VGGNet、Res Net、Google Net、Xception、Dense Net和HRNet卷积神经网络模型在NWPURESISC45遥感场景分类数据集上进行预训练。再将预训练的权重迁移到高分一号影像上进行训练,得到耕地识别结果。最后,对比50%训练数据和80%训练数据情况下不同模型使用迁移学习和不使用迁移学习的分类和耕地识别结果。研究结果表明:在少量数据情况下,使用在迁移学习可以有效提高卷积神经网络的遥感分类和耕地识别精度,耕地识别的F1-score在0.89～0.96之间。（2）CMHRNet网络构建与高分一号遥感影像耕地提取。针对大部分神经网络模型在遥感影像耕地提取上会造成信息丢失,利用轻量级高分辨率网络HRNet来得到更为精准的空间信息,并使用类注意力机制模块和多路并行的空洞空间金字塔池化模块来更好的结合全局和局部上下文信息对网络进行了改进,构建了改进的HRNet模型,命名为CMHRNet。通过实验对比CMHRNet、HRNet和UNet模型在高分一号遥感影像上耕地提取和分类的结果,以验证CMHRNet模型的有效性。最后通过耕地识别的迁移学习实验来验证通过迁移学习是否可以进一步提高CMHRNet模型的耕地提取精度。实验结果表明,CMHRNet相比HRNet和UNet学习了影像中更多细节的信息,可以比较完整的提取出耕地,并且细节更为丰富、边缘更加清晰完整,提高了耕地提取和分类的准确度和精度。其中,耕地提取的总体精度达到了0.9474,F1-score达到了0.9118,Kappa系数达到了0.8237,MIOU达到了0.8428,耕地的精度达到了0.88,分类总体精度也达到了0.8914,且参数量比UNet减少了63.4%。通过场景分类数据对模型进行迁移学习可以进一步提高模型的耕地提取精度。