地膜覆盖技术有助于提高作物质量和产量,但随着消耗量的增加导致环境和土壤污染日益严重,因此快速准确的监测地膜农田的种植分布对于评估由其引起的区域气候和环境污染问题具有重要作用。然而,传统的地面调查方式耗时耗力并且效率较低,另外传统的模式识别方法其识别速度和识别精度还有待提高。近年来,依据深度学习和无人机遥感技术的快速发展,为大规模地膜农田的监测识别提供了高效的解决方案。本研究以内蒙古沙濠渠灌域2018和2019年4块试验田连续两年的无人机多光谱地膜农田遥感图像为研究对象,结合深度学习的语义分割技术和无人机遥感技术,展开对大规模地膜农田的识别研究。主要研究内容及总结如下:（1）大规模无人机多光谱遥感影像地膜农田数据集的构建。鉴于目前小空间范围内的单年地膜农田数据相对较多,但缺少大规模连续年份的地膜农田数据。因此本研究基于4块试验田在2018年和2019年的5月份,即地膜农田的最佳识别期分别采集地膜农田遥感图像,构建无人机多光谱遥感影像地膜农田数据集。并对其进行分析得出两年的各类别地膜数据分布不均衡并且同种类别地膜数据具有多样性,为得到鲁棒性较好的地膜农田识别模型奠定基础。（2）无人机多光谱地膜农田识别模型分析选择。为了实现高效的地膜农田监测,需要选择合适的深度语义分割模型。本研究对比了FCN、Seg Net、Deep Labv3以及Deeplabv3+四种常用的语义分割模型,并分析每种模型对于地膜农田识别的效果。结果表明,Deep Labv3+模型在地膜农田上的分割结果相对于其他三种模型比较精细,因此选择Deep Labv3+作为基准模型并进一步探究其对地膜农田的识别效果。（3）基于卷积注意力机制改进Deep Labv3+模型。为了得到更为精细的地膜农田语义分割模型,对Deep Labv3+改进添加注意力机制,提出一种适用于地膜农田的改进深度语义分割模型。自适应学习地膜语义特征,实现对无人机多光谱遥感影像中地膜农田的高效分割,有效改善Deep Labv3+的ASPP结构中过大的扩张率在分割遥感图像时出现的大目标空洞现象和地膜边缘分割粗糙问题。结果表明,改进的基于卷积注意力机制的Deep Labv3+模型平均像素识别精度都优于原网络,表明注意力机制可以提高深度语义分割模型的适应性。提出的方法为有效识别大规模地膜农田,并分析其种植分布和监测提供了参考方案。