准确的农作物空间分布信息对粮食估产、农业政策制定、科学研究等具有重要意义。目前卷积神经网络已经成为从遥感影像中提取农作物空间分布信息的主要方法之一,但仅使用卷积神经网络得到的结果大多存在边缘粗糙的问题。农作物种植区域边缘处存在被错误分类的现象是利用卷积神经网络进行图像分割时面临的突出问题,提高边缘像素分类的准确性成为利用卷积神经网络从遥感图像中获取高精度农作物空间分布信息的关键。针对提取高精度农作物空间分布信息这一需求,本文选择冬小麦为研究对象,在充分分析卷积神经网络结构与提取结果关系的基础上,发挥语义特征和统计特征各自的优势,提出一种分步提取冬小麦空间分布信息的方法。首先对RefineNet模型进行改进,利用改进后的RefineNet模型进行初提取;其次在对初提取结果分析的基础上利用置信度选择初提取结果中需要被进一步分类的像素,选择语义特征、统计特征建立特征向量,利用深度信念网络(DBN)进行精提取,从而达到获取高精度冬小麦空间分布信息的目标。具体研究内容如下:1.使用遥感图像处理软件对2018年至2019年的37幅能够覆盖全泰安市冬小麦区域的高分二号遥感影像进行辐射定标、大气校正、正射校正、图像融合等预处理。选择预处理后的3幅影像利用地理信息系统软件对其进行真实类别标记,并将原始图像与标记图像制作成本文实验的数据集。2.对传统RefineNet模型进行改进,主要包括:(1)特征融合方法的改进,在上采样后接入1*1卷积层,对通道信息进行整合;增加低层高分辨率特征图在融合过程中所占的比重;(2)分类器的改进,改进Softmax层的输出部分,使其输出每个像素的预测类别和置信度。利用改进后RefineNet模型初提取并通过置信度选择出需要进行精提取的像素。3.基于冬小麦像素在颜色、纹理特征等方面具有较强的相近性,欧式距离能对向量之间的相近程度进行度量,为了发挥语义特征与统计特征各自优势,精提取使用初提取过程中生成的语义特征、原始图像的纹理特征、纹理统计量特征以及欧式距离特征组合成特征向量,对需要精提取的像素进行综合描述。DBN能够有效挖掘数据的本质和深层特征,使用DBN对组合后的特征向量及其像素的真实类别进行训练,得到权重文件,后续使用该权重对初提取后不可信像素实现精提取重新分类。本文选择SegNet、原始RefineNet作为对比模型,设计对比实验。实验结果显示本文方法的查准率(93.4%)、查全率(94.1%)、准确率(95.1%)均明显优于对比模型,证明本文方法在遥感图像分割方面具有显著改善农作物边缘区域识别结果,提高识别精度的优势。