烟草在我国是国家管控的一种特殊的经济作物。随着烟叶种植规模不断扩大,对烟田产量和质量提出了更高要求;为实现“优质高产高效”目标,必须加强烤烟生产中的精准化控制。其中烟田面积测量尤为重要,烟田面积测量是监测烟农根据承包烟叶数量和面积实际移栽烟叶的重要手段。目前,西南烟草种植区是我国重要烟区,但地形地貌复杂,烟草种植相对分散,并存在偷种、瞒种现象。传统的采用人工丈量烟草地块面积并记录其位置的方式,资金消耗大,工作效率和时效性低,且容易受到人为主观因素的影响,出现统计误差,不能满足农业现代化的要求。近年来,得益于计算机硬件的快速发展,深度学习方法在自然场景分类中的成果受到遥感领域的广泛关注。该方法具有良好的表达、自学习和容错能力,可用于分层、高效、准确地提取遥感图像的代表性和区分性特征,针对复杂地形的遥感图像亦有很好的分类效果。同时,随着无人机技术的日益成熟,由于其灵活方便等特点使它在各个领域得到广泛应用。许多学者和专家分别将以上两项技术引入到了农业领域,但对于烟草种植领域的研究相对较少。本文针对现有烟草种植面积提取研究现状,提出将无人机技术与深度学习方法相结合,实现烟草种植面积的自动提取。挖掘基于深度学习的语义分割模型在无人机影像烟草种植面积自动提取及其相关研究的潜在价值,较好的满足山区自动化、动态统计烟草种植面积的需求。主要研究内容和结论如下:（1）基于深度语义分割的烟草种植面积提取研究。为实现烟草种植面积地提取,提出了基于四种深度语义分割模型（Psp Net、Seg Net、U-Net和Deeplab V3+）的无人机影像烟草面积提取方法。首先对烟草数据集进行训练;然后利用训练好的网络对预测图像进行语义分割;最后采用平均交并比（Mean Intersection Over Union,m Io U）来评估其提取精度。实验结果表明,四种深度语义分割网络预测得到的m Io U分别为93.47、94.53、94.72和95.58,语义分割精度较高。为了更进一步验证深度语义分割网络的泛化能力,对不同平台烟草数据集进行预测,四种语义分割网络预测得到的m Io U分别为80.75、59.71、38.43和93.08。结果表明,Deeplab V3+深度语义分割网络的泛化性能较好。同时,开展了多分辨率烟草数据集预测效果的探究,通过制作三种不同分辨率的烟草数据集,采用四种网络对数据集进行训练与预测,得到的m Io U分别为32.99、58.95、43.95和94.93。预测结果表明,Deeplab V3+深度语义分割网络在多分辨率烟草数据集中有较好的预测效果。（2）基于轻量级Deeplab V3+的烟草种植面积提取方法研究及图像后处理。Deeplab V3+深度语义分割网络具有优秀的分割效果,但训练时间过长。本文在保证预测精度的同时,研究如何缩短训练时间。基于Deeplab V3+模型,测试了四种主干网络（Res Net50、Mobile Net V1、Mobile Net V2和Xception）的预测精度与时间效率。实验结果表明,Mobile Net V2主干网络在大幅度缩短训练时间的情况下,预测得到的m Io U为94.86;同时分割图像后处理实验结果表明,该方法可以有效提高模型的预测精度。