遥感技术已经成为一种主要的海上筏式水产养殖区监测技术。近年来,深度学习在遥感领域取得了巨大的进步。然而,由于筏式水产养殖区的海洋环境较为复杂,使用基于深度学习的方法在遥感影像中提取养殖区时会产生“粘连现象”。“粘连现象”的产生主要包含两个原因,一方面,遥感影像中筏式水产养殖区的边界往往会由于复杂的海洋环境变得模糊;另一方面,受水产养殖作物的生长阶段和采收状态的影响,一些筏架吃水较深,筏式水产养殖区的光谱值与周围海水非常相似。因此,在提取遥感影像中的筏式水产养殖区时,相邻的养殖区之间的海水容易被识别为养殖区,使得提取的多个养殖区域粘连在一起。为了改进基于深度学习方法的筏式水产养殖区提取精度,本文提出了一种基于全卷积神经网络、端到端的筏式水产养殖区提取模型(UP-Net)。在U-Net的基础上,本文提出了金字塔上采样模块,增加了5条支路来获取多尺度的特征图。其中,大尺度的特征图用来提取详细的边界信息防止边界模糊,小尺度的特征图用来提取上下文信息精确定位筏式水产养殖区具体的位置。实验结果表明,UP-Net提高了的筏式水产养殖区提取精度,但是提取结果中依然存在少量的“粘连现象”。卷积神经网络能够从遥感影像中提取出养殖区域的不同尺度的特征图,融合这些特征图中的边缘细节信息和上下文信息是改善神经网络模型的关键。在UP-Net的基础上,本文提出了 UPS-Net,通过使用深层特征融合模块学习每个特征图的权重,然后进行加权融合。此外,与其他的神经网络相比,通过使用深度可分离卷积和金字塔上采样模块,UPS-Net 具有更少的参数量。以连云港近岸海域筏式水产养殖区提取为例,实验结果表明,本文提出的UPS-Net网络模型具有出色的筏式水产养殖区提取效果,有效地减少了“粘连现象”。