水是维持生态系统稳定及人类生产生活不可或缺的资源,其消极变化直接关系到国家和人民的生命财产安全。目前水利部门一般采用人工目视解译或一些传统的方法来实现遥感影像水体信息提取,其提取精度和自动化程度都受到了一定地限制。因此,如何快速且准确地从复杂的遥感影像中提取水体信息是一项意义重大且富有挑战性的任务。本文从水体信息在遥感影像中所占的面积、分布情况及其与背景地物的光谱辐射特征差异入手,将遥感影像中的水体信息分为3种类型,并针对各类型的水体分别提出了3种不同的遥感影像水体信息智能提取方法,主要研究内容如下:（1）针对水体与背景地物光谱灰度值差异明显的遥感影像（如无人机遥感影像、GF-2、Quick Bird）,提出了一种基于阈值的水体自动提取方法—GA方法,该方法是在传统的最大类间方差法（OTSU）基础上引入遗传算法进行改进,形成了可以自动获取最优分割阈值的GA-OTSU算法。通过与改进前的传统OTSU算法及分水岭分割算法进行对比,发现能获得更好的分割效果。并将3种分割算法与形态学修饰方法（开、闭运算）相结合,实现水体信息精提取。可以发现GA方法（GA-OTSU算法+形态学修饰）的提取精度可达到96.5%,明显高于对比方法（OTSU算法+形态学修饰、分水岭分割算法+形态学修饰）。（2）针对水体与背景地物光谱灰度值差异不大,但水体信息所占面积较大的遥感影像（如无人机遥感影像、Z-Y3、World view2）,提出了一种基于对象的水体自动提取方法（Automatic segmentation,AUCSN）方法,AUCSN方法是面向对象方法与传统的Canny边缘检测方法相结合的水体提取方法,该方法先引入邻域绝对均值差分方差比值（Modified Ratio of Mean Difference to Neighbors to Standard Deviation,MRMAS）来自动获取最优分割尺度,并结合水体的光谱、纹理、形态等特征设置相应的规则实现多尺度分割后影像的水体信息粗提取,最终采用形态学闭运算实现较复杂的遥感影像中水体信息地提取。通过实验发现该方法的提取精度可达到97%、提取效率也略有提升。（3）针对水体与背景地物光谱灰度值差异不大且水体信息较分散、所占面积呈现两极化的遥感影像水体信息提取（如无人机遥感影像）,提出了一种基于深度学习的水体提取方法—UE-Net6方法,该方法对经典的U-Net网络进行了网络加深和改进优化,能够实现复杂背景下小目标水体信息的精确提取。对于相同的数据集,通过与经典U-Net、SegNet、FCN网络提取效果进行对比分析,发现UE-Net6方法水体提取的精度评价指标明显高于对比模型。