伴随高分辨率遥感影像的发展,越来越清晰的地表细节跃然影像。而我国卫星技术的发展迅速,高分系列卫星GF1-GF7相继发射,用于我国地表观测的GF影像是充足的。因此GF遥感影像被广泛应用在全国重要水利设施和水体的日常监测工作中,这对于相关部门决策的制定和灾害防御是有积极意义的。而现阶段的实际监测工作中对于影像中水体信息的提取方法仍集中在简单的波段阈值法。传统方法存在诸如提取结果误分类和人工干预度大的问题。近年来,随着人工智能深度学习技术的兴起,结合计算机视觉技术的影像处理技术被广泛应用在遥感领域,使水体信息智能化提取成为可能。也是智慧水利建设中所必须解决的一项技术。因此本文从遥感影像在水体信息分割的实际业务应用场景出发,构建了支持多尺度特征采集及融合的语义分割模型,该模型在大面积水体和细小水体处均具有良好的表现。在此基础上,又着眼于单一模型泛化性能差和在其他区域不适应的问题,参考迁移学习中知识蒸馏的思想,来指导训练子模型,使其既能适应目标域图像的特征提取,又能不遗忘已经训练好的知识,从而实现模型的不断更新。在模型迁移机制的指导下,为验证方法的实用性,本研究还选取全国范围内部分水体进行分区实验验证。本文的主要研究成果及贡献如下:首先,研究探讨了特征尺度对深度学习语义分割模型精度的影响。并从模型结构、影像预处理裁剪分割、多尺度特征融合三方面来实现精确水体提取分割模型的设计。在模型特征提取结构中通过高低特征提取器实现全局特征保留和细节特征挖掘;在影像预处理阶段我们将影像进行分级多层裁剪和采样拉伸以期实现图像特征的多层次表达;最终将不同尺度富含不同场景丰富度的裁块输入编码器得到不同尺度特征映射,再通过一个浅层网络进行特征融合。本模型更符合人眼对于影像的多角度多层次理解过程,在大面积水域、细小水体及包含复杂背景信息的影像中均有很好的表现。其次,研究梳理了实现模型迁移的一些方法及主要的难点—灾难性遗忘。并借鉴知识蒸馏的思路,设计非遗忘的迁移机制。本文的迁移模式以设计好的多尺度特征支持的水体提取语义分割网络作为迁移模型的基础网络结构。通过添加旧网络的特征来弥补单纯蒸馏方法的不足,并制作软目标标签来指导子模型的训练。子模型的设计包括高低特征提取模块,并设计改进的交叉熵计算公式来实现模型的知识迁移和保留原模型的知识。并在影像差异比较大的地区进行正反向实验验证,证明迁移模式对目标域知识有很好的学习能力,且对于源域影像也有很好的表现。最后,着眼于全国范围的水体监测,将设计的语义分割模型和迁移模式应用到全国各个区域的水体信息提取中。因为建立单个水体的对应模型数量太多不现实,而只训练一个模型又会使模型过于庞大,使得特征的学习并不能面面俱到。因此论文将全国水体依据地理特征和影像特征规律划分为6大区域,并建立对应区域的子模型。本研究开发了一项水体提取集成软件,包括样本制作、模型训练、模型预测和精度计算四个模块。我们将全国各区域的部分水体输入各个模型进行测试并对效果进行展示。论文以“实际应用问题提出-理论基础-解决方法构建-实验验证”的思路来开展研究工作并付诸实践。本文方法不仅适用于全国范围的水体提取,为水利业务处理提供支持,同时也为大范围区域中其他类型地物的影像分割提供了思路。