地表水对全球水循环起到重要的作用,是地球最重要的资源之一,也是各国水资源的重要组成部分,地表水勘测在多个相关领域内一直是重要的研究课题。遥感技术由于其获取信息速度快、周期短、探测范围大的优点,被广泛应用于地表水资源监测任务。常见的基于遥感技术进行水体提取方法有波段阈值法、谱间关系法和机器学习等,但是这些方法无法充分利用遥感图像丰富的空间信息,不能满足精度要求。目前,由于深度学习在图像领域展现的优越性,将深度学习应用于遥感图像分类是发展趋势,由此衍生出了遥感影像地物分类、遥感影像场景分类和遥感影像目标检测。深度学习会自动提取复杂数据的浅层特征和深层特征并进行融合,拟合复杂映射进行分类,其已经成为遥感图像信息提取的有效手段。本文针对Landsat 8卫星遥感数据,使用基于深度学习的语义分割模型从遥感图像中提取水体信息,然而在提取水体的任务中,多尺度特征的感知和提取是影响图像分类任务精度的关键因素,单一尺度的训练模式会导致提取结果的片面性,这可能引起不精确的细节表达,因此,在像素级别的分类任务中融合多尺度特征是准确进行图像分割的关键。根据上述描述,本文使用基于Deep Lab V3+的多尺度语义分割模型实现遥感影像中水体的精细提取,该过程主要包括集成注意力优化模块和特征融合模块、重构深度学习网络模型、多尺度特征感知分割。将其应用于Landsat 8 OLI传感器数据进行遥感影像水体分割,取得了良好的提取效果。本文主要的研究内容如下:（1）针对Landsat 8 OLI传感器数据,在进行基本的预处理之后,为了改善遥感图像的图像信息和图像质量,探索了遥感图像增强处理方法,提高数据产品的总体质量,为之后的数据集划分奠定基础。（2）重构深度学习网络模型。基于Deep Lab V3+多尺度语义分割模型,融合注意力机制和特征融合模块提升网络性能。实验结果表明,该方法提高了水体提取的准确率,验证了方法的有效性和可靠性,在岷江和金沙江、滇池和鄱阳湖等区域都表现出了96%以上的准确率,MIo U达到86%。（3）基于本文算法模型,对整幅遥感影像采用忽略边缘的划窗预测处理方法,解决了常规方法中存在明显拼接痕迹的问题。最后,基于现有的开发技术,本文设计并实现了一款桌面应用程序用于遥感影像水体提取,以期实现深度学习遥感水体信息提取自动化和实用化。