遥感技术作为现代前沿技术的代表之一,其在生产生活中所发挥的作用也越来越大。遥感影像分辨率的增加,保证了地物细节的高度呈现,即使是细微信息也可被识别,遥感技术也进入到高分辨率发展新时期。但是遥感影像数据的分辨率的提升同时也会导致光谱信息相同但所对应地物目标信息不同的情况愈发严重。为了更好地进行水资源监管和有效利用、灾害监测与治理和环境保护,本文重点针对不同数据源的水体信息识别与提取方法进行探究并分析相应的算法,实现了更加高效和准确地水体信息识别与提取效果。基于此,本文的行文思路如下:（1）研究提出了一种基于改进的OTSU算法的自适应阈值水体提取方法。该方法首先针对研究区域的遥感影像进行图像分割操作,并使用新的改进的水体指数法（New Improved Water Index Method,NIWI）来强化水体信息目标,削弱非水体目标的表达。随后,为了提高算法的自主性和效率,使用粒子群算法（Particle Swarm Optimization,PSO）对OTSU算法进行改进从而实现自动获取最佳分割阈值的目的,完成对水体信息的高效准确提取。（2）研究提出了基于深度学习的水体信息提取优化方法。该方法首先采用基于机器学习的神经网络结构CNN、FCN、U-Net等模型进行水体目标信息图像特征训练与学习,通过大量数据训练实现模型对水体目标特征的高度感知,进一步训练水体目标识别模型,从而避免对非水体目标的错误识别与提取;其次,输入研究区域遥感影像,利用深度学习模型进行目标地物识别与提取,同时与常规水体识别提取方法进行效果比较与精度分析,进一步阐明了深度学习对于水体识别与提取的良好优化效果,同时相较于传统方法实现了全自动化的操作过程。采用Landsat8遥感影像数据对上述所提出的算法进行实验,同时对实验过程与结果进行分析与评估。评估的结果显示,在选择不同区域时,上文所提出的两种水体提取算法均可以达到较好的识别提取效果。同时,在（1）中可以较好地对水体目标进行识别提取的前提下,借助于（2）中的算法可以实现更加高效且精确的提取目的,准确率达到96%以上。与此同时,实现了人工智能参与的遥感地物识别过程,一定程度上改善了人工过度干预造成的低效和低准确率情况的出现。