随着信息化水平提高,精准农林业技术的发展,快速准确的获取地物数据在空间范围内分布对地物情况的正确判断及制定决策起着重要作用,能够精确识别地物的相关类别,估算一定空间内地物的分布信息,为勘测工作提供理论上和技术上的支撑,并且围绕经济与社会发展的需要,为相关政府部门制定农业政策和地域普查提供了理论依据和参考基础。相对于常规使用卫星、飞机等平台的测量方法,虽然已经得以广泛应用,但受天气影响较为明显,尤其是云贵高原多云雾天气,较难获取高分辨率遥感影像,随着以无人机为代表的低空拍摄测量技术的发展,无人机遥感技术弥补了卫星光学遥感摄影的不足,同时由于小型无人机价格相对低廉、操作较为简单,适合当下完成低空飞行拍摄任务。但在无人机遥感影像的识别方法中,对后期处理的研究涉及较少,且识别方法效率参差不同,因此,本文在无人机遥感影像理论基础上,针对目前存在的人工筛选识别问题进行了研究,发现存在的识别效率低下、精确度不高,以及耗费时间较长无法获取及时信息等问题进行了分析,在此基础上提出了基于多尺度特征融合的特征金字塔网络模型(Muti-scale Feature Fusion Network,MSFFN),此种方法采用的理论基础为无人机影像地物识别方式,该方法针对特征金字塔网络的各层级特征无交集且低层特征无法反映到高层级的不足,增加了自底向上的路径,将低层特征信息保留且反馈到高层上,与高层特征进行融合,进行了多尺度全方面的特征融合。在本文实验中,由于RGB颜色空间有着比较差的均匀性,故RGB通常应用于工业领域,不适用于图像处理,首先先使用HSV色彩空间转换对图像进行预处理,并使用高斯高通滤波对图像进行目标增强,减少目标提取的噪声干扰,保留高频信息。通过选择影像区域作为数据集,人工目视与地面调查相结合的方式来研究该区域的地物类别特征,通过语义分割模型Deep Lab V3+进行半自动化标注,并使用多尺度特征融合的网络模型对数据集进行学习。采用基于多尺度特征融合的识别方法,能够较为准确分析出最优模型,得到指定区域的分类效果图。并将分类结果与当前市面上广泛运用的ENVI5.5软件和e Cognition软件和常用的过滤式选择算法Relief F进行了结果对比,从准确性,精准率以及召回率、混淆矩阵和计算时间等指标进行了分析和评价。结合多种对比因素发现,多尺度特征融合模型在无人机遥感影像地物识别中效果较好,准确率更高,计算时间更短,更适应野外作业,在地物识别上有较高的精确度,能够准确地获取地域物的类别,包括地域物的结构类型以及空间分布等信息,这对预测自然灾害以及地域普查等评估工作提供了技术支持,具有更好的应用前景。