大型内陆淡水湖是地球水资源的重要组成部分,在地球的水文和生物化学循环中扮演着重要的角色。因此,有效地监测大型湖泊水域,获取动态变化信息,具有重要意义,也是实现人与自然和谐共生、构建社会主义生态文明的一个重要环节。随着遥感技术的快速发展,利用卫星遥感,可快速高效地获取大型湖泊水域的观测影像,能够为农田灌溉、区域水资源管理提供实时的数据支撑和指导建议,还可对洪涝灾害提供预报和预警。其中,星载合成孔径雷达(Synthetic Aperture Radar,SAR)是一种装载于卫星平台的主动式微波成像传感器,可不受云、雨、雾的影响,拥有全天时、全天候的对地成像能力。因此,基于星载SAR图像开展大型湖泊的水域提取与监测研究具有重要意义。发展至今,许多学者已对SAR图像水域提取技术进行了研究,并基于不同技术手段提出了许多方法,如阈值法、聚类法、主动轮廓模型(Active Contour Model,ACM)法等。然而,传统方法通常并未考虑SAR图像相干斑噪声的干扰和大型湖泊周边复杂地形对提取精度的影响。同时,SAR图像尺寸较大,导致水域提取效率较低;覆盖大型水域的SAR图像分辨率往往较低,导致水域提取精度受限。针对上述问题,本文面向实际应用需求,结合已有算法,提出了两种改进的水域提取方法,分别实现了在像素级和亚像素级尺度下的高精度水域轮廓信息获取,并基于实测星载SAR图像,对提出的所有方法进行了验证。然后,采用本文提出的水域提取方法,以我国五个典型的大型湖泊(丹江口水库、鄱阳湖、洞庭湖、洪泽湖、高邮湖)为研究对象,基于Sentinel-1A/B卫星星座获取的时间序列数据,开展水域信息提取的应用,分析水域面积及其分布随季节的变化特点和趋势,从而实现大型湖泊水域的动态变化监测。本文主要研究内容及创新性工作可总结为以下三个方面:(1)基于传统像素级尺度的SAR图像水域分割方法,提出了一种基于局部分块ACM(Strategy of Division in Local Regions based ACM,SDLR-ACM)的大型湖泊水域提取方法。该方法主要包含三个步骤:首先,基于聚类算法和形态学滤波等操作,实现SAR图像中的水域粗分割;然后,以粗分割水域轮廓线为中心线,建立包含真实水域边界的带状区域,根据本文提出的局部分块策略(Strategy of Division in Local Regions,SDLR),将带状区域划分为多个较小的SAR图像块;最后,在各个小图像块中,基于非局部相干斑滤波算法和ACM算法,实现SAR图像中的水域精分割。本文所提SDLR-ACM水域提取方法将滤波和图像精分割等耗时的操作转移至仅包含目标区域的小图像块中进行,大大减少了算法的运算量。同时,改进了ACM算法易受初始轮廓影响的缺点,保证了局部细节分割结果的准确性。在SDLR-ACM方法的性能评估中,准确率均超过97%,平均轮廓偏移距离均小于0.7个像素,且平均运行时间远少于传统方法。因此,SDLR-ACM方法在保证提取精度的同时,大幅提高了整体处理效率。(2)为了克服中低分辨率SAR图像对水域分割结果精度的限制,本文融合超分辨率重建技术和传统像素级水域提取方法的优势,提出了可在亚像素级尺度下进行水域提取的方法。该项研究具体包含两部分内容。首先,基于卷积神经网络模型和残差模型,提出了一种基于轻量级浅层残差卷积神经网络的SAR图像超分辨率重建模型(Lightweight Resnet based Super-resolution Restoration for SAR,LRSR-SAR),并采用实测SAR图像开展实验验证,结果表明LRSR-SAR模型对SAR图像具有较好的超分辨率重建性能。然后,将LRSR-SAR模型和SDLR-ACM方法进行整合,提出了基于局部超分辨率重建的亚像素级水域提取方法。该方法采用LRSR-SAR模型对经过滤波后的目标区域图像块进行超分辨率重建,实现了在亚像素级尺度上开展精分割的目的。实验结果表明,引入LRSR-SAR模型后,准确率均超过99%,平均轮廓偏移距离均小于0.2个像素,水域提取结果的精度得到了显著地提升。(3)面向大型湖泊水域提取的实际应用需求,基于本文提出的水域提取方法,实现了利用时间序列星载SAR图像对湖泊水域的动态监测,并结合丹江口水库2017年部分时间序列数据和同步实测水位数据验证了该方法的有效性。然后,将该方法推广应用至其他大型湖泊,已应用对象包括丹江口水库、鄱阳湖、洞庭湖、洪泽湖、高邮湖共五个大型湖泊,共计145景SAR图像。最后,根据水域提取结果,统计了各大湖泊水域随季节的变化情况。监测结果显示,鄱阳湖和洞庭湖全年水域面积和水域分布随季节变化较大,丰水期出现在夏季,枯水期出现在冬季;洪泽湖、高邮湖和丹江口水库全年水域面积基本保持稳定,未发生较大波动。