水稻是一种大田农作物,是我国重要的粮食经济作物之一,被广泛的种植与生产。在水稻的种植过程中,杂草是影响水稻生产的重要因素之一。农田杂草主要是指那些较大范围生长在农田区域中,非人工种植的草本植物。因此,对于水稻农田中的杂草进行有效的防控对于保证水稻的产量和质量具有十分重要的意义。当前在我国使用范围最广的杂草防控方式就是化学防控,化学防控顾名思义就是使用化学农药对杂草进行喷洒。在消除杂草的同时也会对水稻的生长造成影响,长期的施用化学农药会造成农田的污染使得土壤硬化。合理有效地使用农药,对杂草进行精准喷施成为解决这一问题的有效方法。通过对分布大量杂草的区域进行重点喷施,对分布有少量杂草或没有杂草的区域进行少量喷施或者不喷施。实现对杂草精准施药的目标,提高农药的利用效率。本文研究的重点在于对农田中的水稻杂草进行识别分类,进而生成一张简易的杂草分布网格图。本文在广泛阅读国内外论文的基础上使用三种语义分割模型对无人机拍摄的水稻杂草遥感图像进行识别分类,并对此三种算法模型生成的网格图进行比较和分析。本文的主要工作如下:（1）使用无人机在低空30m的高度进行拍摄的,采集完之后对其进行基于位置信息和颜色纹理特征进行图像拼接,从而形成田块的低空遥感正射影像图,对正射影像图进行切割成许多块小图片,并对小图片进行标注划分训练集和测试集。（2）本文使用的三个语义分割模型分别为FCN、U-Net、Seg Net。通过使用这三种模型对水稻杂草图像进行识别并得出各自的统一评价指标,其中得出三种模型的像素精度（Pixel Accuracy）分别为88.8%、89.4%、84.5%;平均像素精度（Mean Pixel Accuracy）分别为69.3%、82.2%、77.0%;平均交并比MIo U（Mean Intersection over Union）分别为61.4%、68.8%、64.0%以及频权交并比（Frequency Weighted Intersection over Union）分别为82.4%、81.1%、76.8%。。经过分析比较可以得出基于在Seg Net这个模型下的识别效果最好,其像素精度PA为93.5%,平均像素精度MA为82.2%,平均交并比MIo U为62.5%以及频权交并比FWIo U为81.1%。（3）对三个模型得到的识别图进行拼接生成整块农田的识别图,接着对三张识别图进行棋盘分割,生成三个模型对应的简易杂草分布网格图。结合前面得到对三种模型效果的评价系数指标进行总结分析。本文的研究结果表明,基于深度学习模型对无人机遥感图像的研究方法能够有效反映水稻和杂草的差异,获得较高的分类精度;在同为深度学习语义分割的模型中,Seg Net模型无论是精度还是识别效果相对于其他两种都是最好的,为后续生成精准施药的施药处方图提供基础依据,为植保无人机的精准施药作业提供决策依据。