湖泊和水库水体是地球水资源的重要组成部分,对其快速和有效的监测有助于维持地球生态的平衡和稳定。近年来,一些常规水体提取算法在多光谱影像中已经取得了较好的效果,但由于高光谱影像波段相关性强,冗余新信息较多使得常规算法对其水体提取的效果较差。深度学习算法由于具有数据特征“自学习”的特性,并且可以对高维影像数据进行有效的特征提取与拟合,使得其在遥感影像的地物提取中有着很强的鲁棒性。所以,本文利用改进的U-Net深度学习网络对高光谱影像中湖泊等大面积水体进行了提取。其中主要工作可总结为以下三个方面:首先,将主成分分析（Principal Component Analysis,PCA）算法所获得的主成分特征与归一化差异水体指数（Normalized Difference Water Index,NDWI）特征进行融合,从而获得新的多特征影像,并使用多种子区域生长算法自动标注从新影像中随机选取的训练样本,减少了人工制作样本标签的时间。其次,基于小样本训练的情况下,本研究增加U-Net网络中编码器和解码器的卷积次数,得到了影像更深层次的特征信息,并且添加Batch Normalization层和Dropout层,规范了输入数据,加快了网络训练和收敛的速度,抑制了训练模型的过拟合。最后,利用数学形态学算法对改进U-Net网络的提取结果进行了后续优化,以减少过分割和欠分割的现象。本研究基于珠海一号高光谱影像进行了实验,并将提取结果与NDWI、马尔科夫随机场（Markov Random Field,MRF）、随机森林（Random Forest,RF）和经典U-Net网络的提取结果进行了详细比较。实验结果表明,该方法无论是定量还是视觉上都获得了最优的湖泊提取结果,并且有效的抑制了山体阴影在湖泊水体提取过程中的影响,为突破高光谱影像在湖泊水体提取中的局限性提供了一种有前景的方法。