随着农业节水理论的不断深入,农业节水技术正趋于可控化和精准化。灌溉渠系作为灌区农田重要的输、配水设施是实现灌区精细化管理的关键。因此,快速准确获取灌区渠系分布信息,对科学调配区域农业水资源、提高水资源利用率有着重要意义。针对当前灌区渠系提取研究中存在提取精度不高、自动化程度低等问题,以无人机采集的内蒙古自治区灌区渠系轮廓高分辨率正射影像为研究对象,利用深度学习算法进行灌区渠系轮廓提取研究。通过基于全卷积神经网络（Fully Convolutional Networks,FCN）的语义分割算法完成对灌区渠系轮廓的提取工作。主要研究内容及结论如下:（1）渠系轮廓语义分割数据集生成方案由于现有语义分割数据集缺少渠系轮廓样本,因此设计了一个完整的渠系轮廓语义分割数据集的生成方案。首先利用无人机完成图像信息采集工作,以无人机采集的灌区渠系轮廓高分辨率正射影像作为数据集,通过目视解译的方法对数据集进行标注,在Open CV环境下实现数据集的自动裁剪方案与数据增强方案,生成渠系轮廓语义分割数据集。（2）基于FCN渠系轮廓提取方法的设计与实现方案设计了一套完整的FCN渠系轮廓提取方案,包括FCN渠系轮廓提取方法的设计与实现以及渠系提取结果的自动拼接。首先以VGG-19网络为基础,通过多尺度特征融合的方式在Tensorflow深度学习平台分别实现FCN-32s、FCN-16s、FCN-8s、FCN-4s四种渠系轮廓提取方法,并进行GPU加速。通过四种FCN方法对数据增强后的训练集、验证集进行50000次训练,有效地避免了过拟合现象。分别通过四种FCN方法对测试集进行测试,对测试集提取结果进行自动拼接和精度评价。选择模型性能最好的FCN-8s方法提取结果与支持向量积（Support Vector Machines,SVM）方法和霍夫变换方法提取结果进一步对比分析。实验结果表明,FCN-8s方法的渠系轮廓提取效果最好,针对不同复杂程度的测试区域平均提取精度达到89.45%,平均提取精度比SVM方法高4.57%,比霍夫变换方法高8.51%,具有较好的泛化性和鲁棒性。