冬小麦空间分布信息作为产量估测的重要依据,是大范围冬小麦种植结构调整、方针政策制定的基石。利用遥感卫星获得及时的农田影像,使用卷积神经网络对大区域的农田信息提取,可以动态的监测农田墒情、作物分布状况,满足大范围地表信息检测的需要。近年来,多光谱数据以较多的波段数量、较窄的波段范围、更为丰富的遥感信息为获取高精度冬小麦空间分布提供了可靠的数据源,但是遥感影像所涵盖的地物类型复杂,存在“同物异谱”、“同谱异物”等现象,利用卷积神经网络提取地物的结果中种植地块边界识别较为模糊。针对上述问题,本文使用高分6号宽视场影像（GF-6WFV）作为数据源并分析数据特征,搭建了融合多尺度、多级特征输出的语义分割模型,主要研究内容和结果如下:（1）从光谱曲线特征、光谱统计特征、光谱相关性特征三个方面针对GF-6 WFV数据特征进行分析,依据光谱相关性特征增强显著性并对增强结果进行评价。根据分析建立6种方案将更发散、可分的数据特征引入模型,为语义分割提供先验知识。本文选择利用原始数据、引入6种特征向量结合原始数据的方案作为输入进行对比实验,实验结果显示,同未引入特征向量的8波段输入相比,6种引入特征向量方案的F1 Score分别高2.51%、1.28%、2.31%、1.32%、2.87%、1.06%,验证了引入根据数据特征分析、组合的特征向量能够提高冬小麦提取精度。（2）针对语义分割结果中不同类别的边界识别模糊的问题,提出了融合多尺度、多级的特征输出结果的语义分割模型CMFNet（Converged Multi-layer Feature Network）,通过保留因感受野扩大丢失的细节信息,将其与高层语义信息融合得到最终输出。实验结果显示CMFNet的F1 Score达到85.09%,优于实验中的对比模型,证明了使用多级的特征有助于提高提取的精度。（3）利用光谱曲线统计分析对水体响应最明显的光谱,利用阈值法去除水体,以消除在冬小麦空间分布信息提取过程中误识别到水体而产生的提取精度误差。这些工作对大范围、快速、精细提取冬小麦空间分布,准确获取种植数据具有实际应用价值,为使用GF-6 WFV数据提取作物空间分布信息提供了依据。