洪水灾害是威胁人类生存的十大自然灾害之一。快速且准确地获取灾情信息对于及时制定救援策略,提高救援效率和救援质量起着至关重要的作用。随着卫星遥感和无人机低空遥感技术的不断发展,遥感技术被广泛应用在洪水水体识别,洪水动态监测,灾情分析,应急救援等工作中,已经成为一种高效快捷的技术手段。传统遥感水体解译方法有人工目视解译、基于统计的非监督分类和监督分类等。人工目视解译方法具有所需目视判读设备少,简单方便的优点,但是该方法需要大量的解译标志和丰富的解译经验,过度依赖人工经验,效率低下的缺点。非监督分类方法在使用过程中的同物异谱和异物同谱现象导致分类的匹配难度大,精度低。监督分类方法受人为主观因素影响较大,训练样本的选取和评估高度依赖先验知识。因此,基于传统的水体提取方法存在依赖专家经验,自动化程度低,精度低等缺点,应用在洪水灾害应急的水体信息快速提取中的效果较差。近年来,随着人工智能和机器学习技术的不断发展,借助和依赖基于遥感影像的人工智能机器学习算法,遥感数据的智能化分析、自动化提取以及可视化展示等呈现出高时效、低成本、更便捷、更精确的优点。本文针对洪水灾害无人机遥感影像的洪水水体提取问题,对比分析了Segnet、Unet、Deeplab V3+三种卷积神经网络的洪水水体提取效果,并优化了Deeplab V3+神经网络的结构,经过替换轻量级的主干网络,引入迁移学习思想,增加密集连接的特征融合结构等改进措施,达到了加快神经网络的收敛速度,减少神经网络对训练数据规模的要求,降低空间层级化信息和小物体信息损失的目的。在模型训练过程中提高了神经网络对遥感影像特征的提取能力,实现了更优的洪水水体提取效果。本文的研究重点及主要内容如下:(1)数据集制作。针对无人机遥感影像的训练数据集,本文提出一种独特的裁切和选取方法“田”字形裁切,空洞式选取。该方法裁切选取的影像样本既能高度体现研究区整体洪水水体的特点,又能有效减少重复性的样本数量。(2)Deeplab V3+神经网络的改进。本文将Deeplab V3+神经网络进行如下改进:<1>将主干网络由Xception更改成轻量的Mobile Net V2网络。<2>引入迁移学习思想之基于网络的迁移学习。<3>重构Deeplab V3+神经网络的并行空洞卷积金字塔模块ASPP。(3)实验分析。本文设置两个实验,分别为实验一和实验二。实验一用于选取洪水水体识别效果最优的神经网络,实验二用于对所选取的最优效果神经网络的泛化性验证。(4)灾情专题图和灾情信息输出。选取最优模型并完成泛化性验证后,利用最优模型识别并提取无人机遥感影像中的洪水水体,通过叠合耕地、房屋、道路、水系等矢量化数据,输出洪水灾害遥感专题图,并分析灾情信息。