耕地是我国极为重要的自然资源。随着遥感技术的快速发展,在地形条件较为复杂的情况下,提取准确的耕地信息对农业现代化发展和保障国家粮食安全具有重要意义。复杂区域的耕地通常具有图斑面积小、边界结构复杂、种植类型多样且破碎度高等特点,传统的机器学习分类方法往往难以充分地利用到用高分辨率卫星影像的信息,使得复杂区域条件下的耕地面积难以被准确和完整的提取,无法帮助农业管理等部门提供决策支持提供大范围精准的耕地数据支撑。卷积神经网络作为一种新型的数据驱动的技术方法,具有权值不变性和多层卷积的特点,在影像信息提取中具有较强的语义分割能力,并在多特征影像地物的分割分类和长时间序列信息提取等应用研究中取得了较为良好的效果。本文开展的工作以及成果如下:（1）数据集的构建。本研究首先将GF-1 PMS影像做预处理,并使用了多尺度分割的方法对比了40、60、80三种尺度影像,选取了60为最优分割尺度,采取面向对象的方法制作了标签,并通过目视解译的方式来修正数据,最后通过野外验证样本来验证面向对象方法分割精度,达到95.08%;其次,采用规则格网裁切方法构建影像和标签训练数据集,选取的尺寸为256×256,完成了数据集的制作;（2）本文选取了目前应用较为广泛的机器学习方法,主要有支持向量机以及随机森林算法,其中两种算法在阳原县的总体精度分别达到了83.69%和84.62%,在复杂区域耕地的提取效果较差,提取结果存在图斑破碎度高、边缘提取效果差、椒盐现象等问题,受先验知识影响较大,很难迁移到其他区域。因此要寻求一种新的模型来解决复杂区域耕地提取的方法。（3）本文提出了一种改进的Unet++模型,在原始Unet++的基础上改进固定常数学习率为余弦退火学习率,以避免在训练过程中固定学习率在寻找最优解时陷入某个奇点的问题,使模型性能得到改善。此外,为了解决训练样本集中的类别不平衡性问题,将原有模型中的随机梯度下降（stochastic gradient descent,SGD）损失函数修改为Dice Loss和软交叉熵损失函数的联合函数。结果表明,改进的Unet++网络模型在复杂地区耕地提取结果的总体精度为92.75%,比SVM和Unet的结果精度分别提高了9.06%和2.50%,F1分数为0.8960,分别比SVM、RF和Unet高10.26%、8.13%和2.01%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像里学到的语义特征更强,因此得到更加准确的复杂区域的耕地信息。