随着我国空间信息技术的快速发展,高空间分辨率遥感影像数量持续增加,为众多领域的地面信息获取提供了强有力的数据支持。针对农业遥感中,基于高空间分辨率遥感影像人工解译矢量耕地地块耗时费力,常规影像分割易出现过分割、欠分割现象等问题,在调查研究影像分割技术发展现状的基础上,结合当前在图像处理领域表现卓绝的卷积神经网络开展系列研究,主要内容有:1.以高分一号影像为数据源,构建影像-耕地地块边缘数据集,将适用于常规图像中边缘检测的HED、RCF模型进行迁移训练,用于高空间分辨率遥感影像中的地块边缘检测。在分析其有效结构与大量实验的基础上,提出了一种fully dilated-RCF边缘检测模型,用于高空间分辨率遥感影像中的地块边缘检测,实现了更佳的边缘检测效果。2.构建了一套基于边缘的耕地地块提取方法,通过对fully dilated-RCF模型检测到的地块边缘结果进行多重后处理,完成地块矢量的自动提取。后处理过程主要包括基于形态学细化的图斑去除、基于八邻域边缘跟踪的噪点去除、基于主方向生长的边缘闭合、基于游程编码的栅格区域矢量化。在与e Cognition分形网络演化算法(FNEA)影像分割结果、Mean Shift算法影像分割结果的精度对比中,基于fully dilated-RCF边缘检测结果的地块提取获得最高检测精度,所提取地块整体更加规整、匀质,在质量合格率评价中分别领先FNEA分割结果、Mean Shift分割结果0.1、0.2以上。研究结果认为,卷积神经网络在遥感影像的处理中同样具有其有效性,且潜力巨大,能有效推动高空间分辨率遥感影像的自动化解译发展。