棉花是我国重要的经济作物,新疆棉花种植面积占全国的80%以上,产量占85%以上。快速准确的提取棉花种植区域,对维持着社会的稳定和经济的持续发展有着非常重要的战略意义。然而,我国新疆地区棉花种植面积大,品种繁多,再加上农田种植情况复杂,套种,抛荒和自然灾害等原因使棉花具体种植区域获取困难,传统方法已经难以满足我们实际的需要。深度学习语义分割技术是机器学习领域的一个较为前沿的研究方向,并且近些年来,随着遥感影像探测技术的发展,大范围、多时相和高分辨率的遥感数据为我们进行深度学习研究时提供了海量的数据源。本文以此为研究切入点,将深度学习技术应用到棉花种植区域提取上来,希望该技术可以提高棉田棉花种植区域的提取精度,适应国家农业发展的需要,基于此,本文开展了以下的研究工作。（1）基于复杂背景下U-Net神经网络模型的棉花种植区域提取。以哨兵2号卫星遥感数据为基础,针对传统农业遥感检测技术效率低,农田地物类型复杂,类与类之间数据不平衡,模型易发生误分错分现象,导致棉花种植区域提取精度不高的问题。使用U-Net模型对新疆尉犁县31团33团复杂背景下的棉花种植区域进行提取,针对遥感卫星图像类别不平衡现象的存在而导致棉花种植区域提取结果偏低的问题,通过对数据集的重新采样和改变损失函数来调整数据集的样本不平衡的问题,提高棉花种植区域提取的精度,结果发现本文方法相比其他方法可提高棉花种植区域的提取精度6个百分点以上,可有效改变模型误分错分现象。（2）基于卫星遥感影像最优时相组合的棉花种植区域提取。基于深度学习方法,使用棉花生长周期内4月至10月的遥感卫星影像,探究遥感影像单个时相及其时相组合的数据对棉花种植区域提取的影响。通过Deeplabv3+模型对研究区各个时相的遥感影像的棉花种植区域分别进行提取,并使用分段函数评估模型对提取效果进行快速比较,按此提取结果排列出适合棉花种植提取的单时相遥感影像,依次加入到Deeplabv3+模型中,得到该模型下的遥感影像棉花种植区域提取结果最优时相组合为6月、7月、8月和10月4个月份,能够明显减少与非棉花种植区域的错分情况,对棉田种植区域的边缘恢复较好,该结果可以在遥感数据不足时进行棉花种植区域提取提供参考。（3）基于卫星遥感影像的ShuffleNet神经网络棉花种植区域提取。针对大型语义分割网络,其网络深度较深,结构复杂,其网络训练时间长,参数量较大的问题,在对棉花进行种植区域提取任务时花费时间较多,导致提取的即时性不足。本节基于棉花提取的最优时相组合,通过几种深度学习网络,与轻量级网络的训练时间及参数量做对比得出结果,在使用哨兵2号影像3波段进行训练时,本文网络相比U-Net,Deeplabv3+的训练时间及网络参数量有较大的优势,但其网络提取精度与Deeplabv3+网络相差10个百分点左右。对于该网络提取结果偏低的问题,使用哨兵2号原始波段并叠加在植物检测方面有特殊优势的红边波段,结果表明,加入红边波段后的ShuffleNet网络可有效提高棉花种植区域的提取精度,该网络在模型参数及训练时间上均较小,为在使用哨兵2号遥感影像进行棉花提取时提供参考。