煤矿资源在推动我国经济发展中具有重要作用,保证矿区的安全生产是矿区作业的首要工作,而准确高效地获取矿区地物信息则能有效辅助安排和部署矿区的安全生产工作。矿区地物类型往往特殊且复杂,传统人工野外调查手段获取大面积矿区信息耗时又耗力。为快速准确获取煤炭矿区地物信息,本文采用无人机低空遥感拍摄的方式获取矿区内高清影像数据,并提出了基于面向对象和深度学习的矿区地物提取方法。在数据标注方法上,本文提出利用面向对象的分类方法配合人工校正,制作用于深度学习语义分割的标签,提高了标注的准确性和速度。在深度学习方法上,本文采用了基于卷积神经网络方法和全卷积神经网络方法进行地物提取。卷积神经网络采用VGG-16、VGG-19、ResNet-34、Xception四种模型,全卷积神经网络采用了 FCN-32s、FCN-8s、U-Net三种模型。在单一模型基础上,针对不同模型对特定种类地物的提取效果不同,提出了基于多数投票算法和打分算法的两种集成模型进一步改进地物提取算法模型。最后使用膨胀腐蚀算法对集成算法的地物提取结果进行优化。实验结果表明:基于卷积神经网络的地物提取方法准确率均在80%左右,但整体地物提取效果明显差于基于全卷积神经网络方法,证明卷积神经网络模型方法不适合应用于提取尺寸过小的目标地物。全卷积神经网络方法的地物提取效果优良,其提取准确率、Kappa系数,以及整体效果较卷积神经网络方法和传统面向对象方法均有明显提升。同时,集成算法取长补短,融合了各种单一模型对特定地物提取效果较好的特性,提升了地物提取精度。最后,膨胀腐蚀算法有效消除了地物提取结果的噪点像素,优化了地物提取效果。所有方法中基于全卷积神经网络的打分集成模型识别效果最好,在测试集上的整体准确率为94.55%,Kappa系数为0.8191。