黄河中下游属于典型的游荡型河流,突出的特点是河流变化频率高、河道滩涂及河心洲变化快、岸线复杂等,这就决定了黄河岸线的测量以及提取较为困难。通过遥感影像数据可连续动态提取黄河岸线数据,但是现有方法存在两方面突出问题,一是部分遥感影像中黄河河岸线特征并不明显,岸线提取中非岸线信息混杂较多;二是多时相海量岸线信息的提取耗时耗力,提取效率有待提高。因此,本文基于遥感影像数据围绕黄河岸线的提取方法展开研究,针对边缘检测中非岸线信息混入较多的问题,研究了基于小波变换的黄河岸线提取方法,针对如何高效提取海量黄河岸线信息,研究了一种基于深度学习的黄河岸线提取方法,主要的研究工作如下:（1）分析了经典边缘检测算子在黄河岸线提取中的适用性。通过黄河遥感影像的波谱特征研究,选取近红外波段影像,分别采用Sobel算子、Prewitt算子、Laplace算子和Canny算子进行黄河岸线的提取实验。对比发现,在Canny准则下,黄河岸线提取遗漏最少且岸线连续性最好,可以作为深度学习语义分割后边缘检测的首选方法。（2）研究了基于小波变换的黄河岸线提取方法。针对经典边缘检测方法对非岸线信息过滤能力较弱的问题,考虑到小波变换模极大值对非岸线信息具有平滑滤波作用,研究了一种基于小波模极大值的黄河岸线提取方法,并通过实验验证了该方法具有较好的岸线提取效果。为了进一步对非岸线信息过滤去噪,在小波模极大值边缘检测基础上,利用小波变换具有局部时频分析特点,研究了一种基于小波变换局部时频特性的去噪方法,并设计了相应的算法与流程,实验表明,在提取黄河岸线的过程中,该方法可以有效过滤多数非岸线信息。（3）研究并实现了一种基于深度学习的黄河岸线提取方法。为了实现海量黄河岸线信息的高效提取,引入基于U-Net深度学习方法,将河道及其附近地物区分为河流、农田、山体、沙地和林地,然后基于影像采集这些地物的样本数据集并进行标注。通过样本训练提取图像中的底层特征和高层语义特征并建立网络模型,然后基于训练网络模型对图像进行像素级语义分割,最后基于图像分割结果采用Canny算子提取黄河岸线信息。在设计网络过程中通过引入空洞卷积提高了特征提取的效率,通过引入注意力机制提高了黄河岸线区域分割的精度,针对过拟合现象采取了对应的控制措施增强了模型的泛化能力。最后基于241张遥感影像数据集进行了实验测试与分析,同时引入数据增广和注意力机制,基于深度学习的语义分割模型在测试集上平均IOU指标达到了0.833,经过后处理可以满足在低分辨率遥感影像上自动提取黄河岸线的要求,为批量黄河岸线的高效提取探索了一种可行的方法。