随着遥感技术的不断发展,高分辨率遥感图像数据也为地表水体的识别提供了更丰富的纹理、几何结构和空间分布信息。同时,由于大数据时代遥感数据成几何级数的增长和地表区域内物体异质性的增强,再利用传统的逐像素方法进行水体信息提取,其不仅忽略了图像中相邻像元间的关联性,也不能满足当前大规模的应用需求。近年来,随着深度学习算法在计算机视觉、自然语言处理、文本分类和目标检测等方面取得的巨大成就,也为遥感水体识别提供了一种新的思路。如何应用现有的水体特征提取方法、分布式计算和深度学习算法对遥感图像中的水体进行分类识别已成为一个重要的研究课题。本文分析其它研究学者的论文,并提出了以下创新点:首先,为了提高遥感图像的质量,对原始图像进行了锐化、滤波、去雾、校正和定标等处理,并将多光谱波段图像与分辨率高的全色波段图像进行了像素级融合。其次,深入分析地表水体信息的空间和光谱特征,提出光谱和空间联合特征的提取和选择方法,并针对传统逐像素水体识别方法识别效果差等问题,设计了空间约束算法来进一步充分利用相邻像元间的关联性。最后,由于得到的遥感图像数据量大的问题,搭建了分布式存储和计算平台,对图像数据进行了分块存储和计算。并针对人工参与进行特征提取、分析以及阈值设定难等缺点,本文借助深度学习框架,提出了多种深度神经网络的自动化水体识别模型,以联合特征为输入,对所提模型的整体性能进行了评估。并利用深度学习算法其出色的特征“自学习能力”,构建了一种稳定的水体信息提取模型,实现水体信息的挖掘和识别。实验结果表明,本文提出的结合空间光谱联合特征和深度学习算法的水体识别模型在性能上优于传统的支持向量机(SVM)与BP神经网络。