陆表水体指液态水在陆地区域形成的标志性聚集体,主要包括湖泊、水库、河流、养殖区和季节性水体等。陆表水体的形成、膨胀、收缩和消失是影响人类生活、区域气候变化和生态环境的重要因素。鉴于此,陆表水体的快速获取与精细制图对气候变化、生态环境评估、水资源调查与水利规划等具有重要意义。目前,利用遥感技术对陆表水体进行监测已经成为常态,空间分辨率不断提高的遥感影像为陆表水体的精细提取提供了可靠的数据支持。近年来,深度学习等人工智能技术为基于遥感影像的陆表水体制图提供了新的方法,如何将深度学习与高分辨率遥感影像结合,应用于陆表水体信息的精细提取与快速制图是一项具有重要科学意义和应用价值的研究工作。论文以研究具有较高精度与较高自动化程度的高分辨率遥感影像陆表水体信息提取方法为主要目的,以中国湖北省作为研究区,基于国产高分一号、高分一号B/C/D与高分六号卫星影像构建了湖北省陆表水体高分辨率遥感数据集;总结了深度学习中卷积神经网络的理论知识,分析目前主流卷积神经网络的模型结构与设计思想,针对卷积神经网络参数量大、结构复杂、训练时间长和高分辨率遥感影像中阴影、道路与农田等信息对陆表水体信息提取存在干扰等问题,提出了一种轻量级的多尺度陆表水体信息提取网络,并在构建的样本数据集中验证了其有效性;在此基础上,将改进的卷积神经网络与对抗学习思想将结合,将基于无监督领域自适应分类的方法应用于湖北省2米空间分辨率的陆表水体制图工作,实现了小样本陆表水体制图,之后利用DSM（Digital Surface Model）数据对初始的陆表水体产品进行后处理优化,生成了2米空间分辨率的湖北省陆表水体产品,并对产品的精度进行了评价。本文的主要贡献如下:（1）基于中国高分一号、高分一号B/C/D与高分六号卫星影像,构建了一套高质量的湖北省2020-2021年的高分辨率遥感影像陆表水体样本数据集,为模型的训练、高分辨率遥感影像陆表水体提取方法的测试与陆表水体产品的生成提供了可靠的数据支持。（2）通过对比目前主流的神经网络,将编码器-解码器结构与注意力机制、膨胀卷积相结合,并对损失函数进行了优化,针对高分辨率遥感影像中的水体特征,提出了一种轻量级的多尺度陆表水体信息提取网络。实验表明,与主流的卷积神经网络相比,改进的网络算法复杂度更低,训练时间更短,更不易受噪声的干扰,对水体的信息提取更加准确,在实验数据集中的水体信息提取总体精度达到了98.23%。（3）设计了一套基于深度学习的高分辨率遥感影像陆表水体制图的技术方法。将提出的轻量级的多尺度陆表水体提取网络与基于无监督领域自适应方法结合,应用于湖北省的2米空间分辨率陆表水体制图工作,解决了省级等大区域制图中样本多样性与样本数量不足的问题;并在DSM数据辅助下,对陆表水体初始产品进行后处理优化。所生产的湖北省2米分辨率陆表水体产品能够清晰地展现湖北省的湖泊、河网以及养殖区等信息,制图总体精度达到87.93%。