灌溉水资源的合理优化配置对提高水资源利用率,促进农业水资源的可持续发展起着至关重要的作用。目前灌区多采用传统灌溉管理方式进行灌溉,灌溉用水粗放,高分辨率遥感影像能准确监测各地块变化,深度语义分割网络能进行像素级地物分类,本文基于遥感和深度学习技术,以山东省小开河灌区为例开展灌溉需水反演及预测相关技术研究,主要取得以下研究成果。使用遥感影像进行灌溉需水反演的基础是作物种植情况精确分类,本文基于深度语义分割网络展开种植结构分类模型研究,提出合成多种指数参与影像融合进行遥感影像预处理,丰富光谱复杂度,提高空间分辨率,增强特征信息;使用深度可分离卷积替换普通卷积,Mish激活函数替换Relu激活函数,改进U-Net语义分割网络,提升了训练速率和测试集准确率。结果表明,加入NDVI(归一化差异植被指数)、AWEI(自动水体提取指数)两种指数的融合影像结合改进的U-Net模型算法,kappa系数由为改进前的0.658提高至0.886,种植结构分类准确率提高至93.7%。结合遥感和站点实测土壤含水量数据,建立基于TVDI的不同深度土壤含水量反演模型,实现了灌区土壤墒情精确反演,各层反演准确率均在94.25%以上,模型结果可信度较高。针对目前土壤含水量预测中存在的参数固化、仅能迭代预测、影响因素较少等问题,使用传感器及爬虫传回的动态土壤参数天气数据参与预测过程,提出基于LSTM(长短时记忆)的动态多因素土壤含水量预测模型,模型预测结果较真实值离散程度低,准确率达到98.7%,均方根误差最低1.447,可决系数达到0.838。在上述研究基础上,优化黄河中下游灌溉需水量反演经验公式基础数据,得到灌区需水量反演及预测影像数据。基于ArcGIS二次开发平台和.NET框架,以C#为开发语言,采用三层架构模式开展组件式开发,WPF框架设计界面,Fluent进行Ribbon界面的显示。实现了种植结构精确自动化分类,土壤各层含水量分布表达及预测,需水量预测,灌溉面积统计等功能。