在青藏高原等高海拔难进入区开展地质填图工作具有很大的困难。目前快速发展的无人机遥感技术能够快速获取难进入区的高分辨率遥感图像数据,可以开展岩性自动识别,从而辅助大比例尺地质填图。传统的图像信息提取技术主要是基于人工提取的特征,不仅需要具备丰富的专家知识,而且通常难以找到最优特征组合导致分类精度不高。因此,为了实现无人机数据岩性信息智能提取,还需要更智能的信息提取方法。近年来,得益于深度卷积神经网络的发展,语义分割技术取得了突破性进展。基于深度卷积神经网络的语义分割方法能够在网络训练过程中自动提取图像特征信息,通过网络的不断迭代优化,学习到最优特征组合,从而提高语义分割精度。实践证明,在大数据条件下,基于深度语义分割方法的图像分割精度远高于传统语义分割方法,这为无人机图像的岩性自动分类提供了一种新的技术方法。论文选择FCN网络、SegNet网络、Unet网络等基于深度卷积神经网络的语义分割算法模型,开展西藏班怒带无人机图像岩性信息提取研究。实验流程如下:首先获取研究区高分辨率无人机遥感图像数据;其次对获取的无人机图像数据进行预处理;然后进行模型训练及岩性信息提取;最后利用条件随机场进行分类后处理,实现无人机遥感数据岩性分类。结果表明:基于FCN、SegNet、Unet网络模型的无人机遥感图像岩性分类准确率分别为90.33%、86.69%、82.85%,同时三个网络模型中FCN网络收敛时间最短,因此FCN网络模型为最优语义分割模型,并能够满足岩性信息提取精度要求。论文研究结果证明了基于深度卷积神经网络的语义分割方法在高原难进入区开展无人机遥感图像岩性提取的可行性,并且能够校正地质图中不同岩性分界线,实现更高精度的岩性划分,辅助完成大比例尺地质填图工作。论文研究对开展青藏高原等高海拔难进入区的大比例地质填图具有重要现实意义及实用价值。