研究水体的时空分布特征,快速、准确、高效地提取水体信息,对于水资源调查、水利规划、防洪减灾、生态保护和可持续发展变得越来越重要。随着遥感技术的进步,遥感技术瞬时成像、地物波谱信息丰富、覆盖范围广的特性可以在大时空尺度获取不同地物的分布信息,已成为水体信息提取的主要手段。特别近年来,不同用途、不同波谱、不同分辨率的对地观测系统陆续建成,遥感影像数据呈爆炸式增长,为水体信息提取提供了丰富的数据源。高分辨遥感影像凭借着清晰的几何结构、丰富的纹理信息、多样的波谱特征以及高时间分辨率等特点,吸引了大量学者关注于高分辨遥感影像的水体信息提取研究。传统的水体提取方法主要是基于地物光谱差异,利用先验信息或强度阈值区分水体和非水体。尽管从中、低分辨率遥感影像中提取水体,可以获得不错的提取效果。但处理高分辨率遥感影像时,由于空间上下文信息的丢失,水体提取结果较为破碎,且包含大量“椒盐”噪声;同时,这类算法对场景依赖性强,处理过程复杂繁琐,自动化程度低,难以满足处理海量化和多元化的遥感大数据。随着深度学习理论的不断发展进步,特别是通过监督训练过程,自动学习多层次、多尺度特征的深度卷积神经网络算法提出。基于深度卷积神经网络从高分辨遥感影像中提取水体,构建遥感影像与水体特征之间的非线性模型,端到端的实现水体语义特征的表达,实现水体信息的提取。然而,如何构建一个可充分顾及不同层次、不同尺度的上下文信息,增强水体特征,提高水体提取精度,有强大特征表达能力;同时,网络冗余低、参数利用率高,训练能力强的深度卷积神经网络模型,已成为一个重要的研究课题。因此,本研究面向高分辨遥感影像提出了多尺度特征增强网络的水体提取方法。该方法主要包括数据预处理、水体数据集构建、多尺度特征增强网络模型等内容。具体内容如下:（1）高分辨遥感影像水体数据集构建。研究了高分辨遥感影像的数据预处理、数据标注、数据集划分等数据处理工作,构建了GOGF和Love DA水体数据集,为高分辨遥感影像的水体提取研究提供数据集支撑。（2）提出端到端的基于多尺度特征增强网络模型的高分辨遥感影像水体提取算法。针对卷积神经网络模型特征表达能力差、训练能力弱等问题,利用多尺度特征提取模块Res2Net和上采样特征解码模块,构建“编码器-解码器”结构的网络模型。将条纹池化特征融合模块和上下文特征提取模块集成到网络结构中,充分利用不同尺度、不同层次的上下文信息,增强水体语义信息的表达。（3）分析和验证多尺度特征增强网络模型的高分辨遥感影像水体提取性能。以GOGF和Love DA水体数据集作为实验对象,讨论不同超参数对于水体提取精度的影响;并通过消融实验和对比实验,验证本文方法在高分辨遥感影像上的水体提取性能,提高面向高分辨遥感影像的水体地物智能化解译能力与自动化水平。