湿地植被是湿地三要素之一,对维持湿地过程具有重要作用。本文以桂林会仙岩溶湿地公园的核心区为研究区,以无人机DOM影像及纹理特征、DSM为数据源,整合面向对象的随机森林算法和人工目视解译制作岩溶湿地标签数据,基于Seg Net、PSPNet、RAUNet和Deep Lab V3plus网络架构为方法构建岩溶湿地植被信息识别的深度学习遥感模型,为了提高模型识别植被的精度并进一步分别利用软投票法、硬投票法、最优融合法三种方式分别构建深度学习遥感融合模型。探究深度学习不同网络架构对识别岩溶湿地植被信息识别应用的差异,并探讨DSM、纹理特征对深度学习模型识别岩溶湿地植被精度的影响,对比分析三种融合方法对深度学习模型识别岩溶湿地植被信息的提升精度。研究结论如下:(1)DOM数据集构建的Seg Net、PSPNet、RAUNet和Deep Lab V3plus多分类模型中,基于像素和基于采样点的F1分数、Kappa系数标都高于0.70,表明深度学习模型较好识别岩溶湿地植被信息。其中Deep Lab V3plus模型和RAUNet模型识别岩溶湿地植被信息精度最高,Deep Lab V3plus模型结果基于像素的F1分数和总体精度达到0.78左右,RAUNet模型结果基于采样点的F1分数和总体精度达到0.88左右。而且四种深度学习模型识别植被类型的类别信息的精度要优于形状信息的精度。(2)DSM、纹理特征数据集的单分类模型中,纹理特征能提升四种深度学习模型识别水葫芦、荷花和耕地的精度,同时影响模型识别岩溶草本、菩提树-马甲子-竹子的精度。DSM影像对四种深度学习模型提取岩溶湿地植被信息均有提升作用。其中DSM数据对荷花识别精度提升最好,基于像素和基于采样点的F1分数提高0.07左右;纹理特征对耕地和水葫芦识别精度提升最好,基于像素和基于采样点的F1分数提高0.05左右。(3)三种融合深度学习模型识别岩溶湿地植被信息较好,其中基于最优融合法的融合模型识别岩溶湿地植被的形状和类别信息都最好。基于最优融合法的模型识别结果比Deep Lab V3plus模型,基于像素的F1分数、Kappa系数、总体精度分别提高0.0789、0.1169、0.0881,基于采样点的F1分数、Kappa系数、总体精度分别提高0.0882、0.1095、0.0888。(4)RAUNet多分类模型结果的总体精度和Kappa系数,比面向对象的随机森林分类模型低0.0242、0.0308;而基于最优融合法的融合模型,比面向对象的随机森林分类模型识别精度高,总体精度和Kappa系数分别高0.0424、0.0510,说明面向对象的随机森林模型要优于深度学习模型,但最优融合法是一种有效地提高深度学习模型识别岩溶湿地植被信息的方式。