农业大棚是现代设施农业的重要组成部分,具有减少不利气候条件等外部环境影响的优势,可以显著延长生长季节和提高作物产量,准确及时地获取农业大棚空间分布信息对于农业科学管理和规划至关重要。山东省作为我国的农业大省,拥有多个规模庞大的农业大棚聚集区,其中寿光市更是被誉为“中国蔬菜之乡”。近年来,研究者们逐渐尝试使用高分辨率遥感影像提取农业大棚,然而由于地物目标类型多样,背景环境复杂,传统的机器学习算法需要人工设计和筛选特征,存在智能化不足、分割不合理等缺陷,无法满足农业部门精细化管理的需求。近年来,深度学习技术发展迅速,特别是卷积神经网络在自然语言处理、计算机视觉等领域取得了显著性的突破,研究者们逐渐将其应用于遥感图像解译,这为研究农业大棚信息的提取方法提供了新的思路和契机,但是传统的深度学习方法无法充分理解高分辨率遥感影像的地物特征,容易产生混淆和误分类的现象。本文基于深度学习语义分割技术的理论基础,研究分析了网络模型结构的设计思想,对农业大棚的提取算法进行了深入的研究。本文的主要研究内容如下:（1）以国产高分二号卫星影像为数据源,构建了高质量的高分辨率农业大棚数据集。本研究以山东省寿光市等多个示范区为例,分析了不同区域中高分二号影像上的各类农业大棚的光谱特征、空间分布等特征,选取多时相数据,构建了高精度的数据集,为农业大棚提取算法的研究和优化提供了数据支撑。（2）对比多种全监督语义分割算法,深入分析现有算法在农业大棚提取任务中存在的弊端,提出了一种新型的全监督语义分割框架——高分辨率边缘优化网络。首先,针对网络主干特征提取能力不强,地物易发生混淆的问题,提出了金字塔交叉通道注意模块,并将其与Res Net的基本残差模块相结合,生成两个新的残差单元,作为新主干的基本单元;然后,引入空间增强模块聚合多尺度信息,消除尺度不一致性引起的问题;最后,设计了边界细化模块让网络更关注边缘区域的像素,解决边界信息模糊、定位不准确的问题;相应地,结合分割损失和边界约束损失的联合损失函数来监督学习过程。基于构建的数据集进行了对比实验,深入分析了模型在性能和效率上的优势,证明了所提算法的有效性和鲁棒性。最终,结合所提算法实现了研究区域的大范围高精度制图。（3）不同区域农业大棚类型多样,地物背景信息复杂,遥感影像成像条件多变,一个区域数据集的预训练模型在其他区域表现不会很好。为了避免费时费力地样本标注过程,解决跨区域农业大棚提取任务的难题,提出了一种新的无监督对抗域适应框架,该方法结合信息熵和对抗训练的思想,不仅以源域到目标域的结构自适应为目标,还以目标熵最小化为目标,有效地解决了源域到目标域的域偏移难题。本研究将算法应用到山东省和江苏省的其他区域,实验结果表明,相比起全监督方法,该算法可以有效提高分割结果的精度;相比起风格迁移方法和传统的无监督对抗方法,该算法有更出色的性能表现,适用于跨研究区域的农业大棚提取任务。