遥感影像中的河流提取是建立水文模型,深入研究气候-水文-生态三者内在规律,也是探索极端天气发生机制过程中不可或缺的环节。在我国南方沿海地区,由于台风等极端天气造成的洪涝灾害常年给当地带来很大的经济财产损失,而研究南方沿海地区的河流水系分布能够为灾害预警和科学防治提供坚实的理论基础和科学依据,因此河流提取的研究工作具有极为重大的意义。但是南方沿海一带水系分布复杂,河流众多,给其水体提取的过程带来了极大的挑战性。本文在分析国内外水体与河流提取方法的基础上,以提高河流提取精度为目的,提出了一种适用于河流提取的深度学习网络,同时在训练过程中引入迁移学习方法,并与多种网络提取结果进行对比分析,验证了该网络在河流提取研究上的优越性和泛化能力。为确保样本信息的丰富度和多样性,建立以南方沿海地区为主的、存在多种地形地貌和各类河流形态的影像数据集。在此河流影像数据集上,训练新建立的深度学习网络。该网络以D-Linknet网络为基本框架,采用编码器-底层结构-解码器的分布式结构,将编码器中残差网络的Basic Block替换成Bottleneck模块,并在编码器第五阶段网络层中加入了膨胀系数为2的空洞卷积,提高了深层网络对空间层次信息的感知能力。同时,解码器第一阶段网络层取消了转置卷积模块,取消后的结构能够降低上采样操作带来的棋盘效应。改进后的新模型在河流数据集上的提取精度高于其他经典的图像分割网络的提取精度。为了进一步提高模型的性能,本文在训练过程中引入了迁移学习的方法。用已公开的道路数据集训练建立的新模型,将由此得到的所有网络层参数作为迁移学习的预训练模型参数,并应用到河流数据集上继续训练。在二次训练中冻结编码器前六个阶段的所有参数,更新该阶段之后的其他网络层参数,最后得到该网络的一组新参数,这些参数组成的网络在测试集上的提取精度高于不使用迁移学习的网络的提取精度。通过以上实验结果表明,本文建立的新模型在河流数据集上拥有很好的性能表现,并且具有一定的泛化能力。