耕地是农业生产的根本保障,准确地获取耕地面积和分布等信息对于农业资源监测和生产具有重要的意义,通过遥感图像分类的方法来提取耕地信息是一种非常高效的方法。针对遥感图像分类问题,目前已经提出了大量的算法,比如最大似然分类法、基于专家知识的决策树分类法和面向对象的分类方法等等。然而,由于耕地上种植的作物种类的不同,遥感图像拍摄时间的不同,耕地本身的土壤土质的不同等等复杂因素,现有的算法对耕地的识别效果并不好。因而现阶段的对耕地的精细提取仍然采用最为传统的人工目视解译的方式,效率十分低下,而且提取的准确率还受到人员经验的制约。因此,提高遥感图像中耕地提取的效率和准确性成为决定遥感技术在农业领域中能否起到真正作用的关键。深度学习是近几年来逐渐兴起的一个研究领域,目前,深度学习已经在语音识别、图像识别、图像分类、目标检测等领域成为了主流的研究工具。从遥感图像中提取耕地的信息正是属于图像的识别和分类的问题,所以,使用深度学习对农业遥感图像进行耕地提取是一个十分可行的研究方案。本文基于深度学习理论,在对国内外的遥感图像分类和深度学习领域的研究成果进行整理之后,再对遥感图像进行预处理和标注从而制作成训练样本集,最终以卷积神经网络(CNN)为分类器,进行了农业遥感图像耕地提取,取得了如下的主要成果:(1)通过查阅文献资料并编程进行模型的验证,证实了深度学习在农业遥感图像耕地提取上的可行性,得出了深度学习相比与其他传统的模型更适用于农业遥感图像耕地提取的结论。(2)使用SVM模型构建了一个遥感图像耕地提取模型,经过模型训练和调参,该模型最终的总体分类准确率73.39%,休耕地识别率83.58%和在耕地识别率为79.33%的分类结果。(3)基于Python语言和tensorflow深度学习框架,编程实现了一个基于卷积神经网络的遥感图像耕地提取模型,该模型的总体分类准确率达到了 82.82%,对休耕地和在耕地的分类准确率分别达到了 88.08%和86.79%,对于耕地类型的地物的总体分类准确率达到87.85%。分类结果优于SVM模型,且图像中的分类噪点较少,分类结果图像具有较高的实际应用价值。