高分辨率遥感卫星技术的发展对我国高分辨率对地观测水平的提升起到了巨大的推动作用,其中高分系列卫星的发射与应用使得我国在资源监测、农业估产、灾害管理等方面都获得了更高精度的数据源。在遥感影像中应用最为广泛的一大方面就是水资源管理,高分辨率的遥感卫星数据可以提供高精度的水资源信息,这对水资源的监测、洪涝灾害事件的管理等都可以起到巨大的推动作用。目前,针对遥感影像水体提取的算法众多,但是传统的水体提取方法不仅存在局限性,而且在处理海量的遥感信息时也显得越来越吃力。另外,由于高分遥感卫星数据波段分布、纹理信息等均不同于其他遥感数据源,一些传统的水体提取算法并不适用于高分系列卫星数据。针对以上问题,本研究将遥感影像光谱特征融入到深度学习卷积神经网络(convolutional neural network,CNN)的算法中,提出适用于高分一号卫星数据水体提取的卷积神经网络。首先,我们提出基于Xception的卷积神经网络来识别鄱阳湖地区的水体,并将其结果与常用的归一化差分水体指数(NDWI)、监督分类中常用的最大似然法、最小距离法、马氏距离法以及非监督分类中的K均值法和ISODATA法结果进行对比,结果表明卷积神经网络的算法远优于传统算法。其次,我们在原有算法的基础上做出改进,提出基于多维密集连接卷积神经网络(Multidimentional Densely Connected Neural Network,Dense Net)的算法,在经过多次测试得到合适的网络层数之后,通过密集连接卷积模块的串联来进行模型的特征提取,使用反卷积来构建全卷积神经网络以达到图像语义分割的目的,在此基础上,通过增加多尺度融合的思想来增强模型的特征利用效率,提高图像识别精度。结果表明与基于Xception的卷积神经网络相比,其水体识别精度得到显著提升。此外,为验证改进之后的模型在卷积神经网络中是否为最优模型,我们将Dense Net的结果与经典的卷积神经网络(CNNs):Res Net、VGG、Seg Net和Deep Lab v3+进行了比较,并与NDWI进行了比较。我们选择模型的训练时间以及训练过程的损失变化曲线来评价五个深度网络的训练效率,对于所有算法的水体识别精度,我们选择精确度(P)、召回率(R)、F1分数(F1)和平均交并比(m Io U)这四个指标来进行评价。结果表明所有深度卷积神经网络的结果均要优于NDWI的结果,虽然NDWI计算简单方便、耗时与神经网络的训练时间相比几乎可以忽略不计,但是识别精度较低,且最优阈值随时间地点的变化而变化,泛化性远不如卷积神经网络,因此总体来讲五个卷积神经网络的方法均是优于NDWI的。在五个卷积神经网络中,Deep Lab v3+算法训练时间最短,但是从模型收敛速度以及水体识别精度来讲均不如Dense Net,总体来讲,Dense Net具有最优的训练效率和识别精度。其中VGG、Seg Net在区分水体与云、山体阴影的表现均较差,Res Net可以较好的区分云与水体,但是无法较好的区分出山体阴影。Deep Lab v3+不会混淆山体阴影,但是云的区分能力较差,且识别出的水体边缘较粗糙。Dense Net在识别水体过程中也存在部分对云的误判,但是误判区域远小于其他模型且对山体阴影的识别效果较好。因此总体来讲,对于高分一号卫星水体提取的任务,多个卷积神经网络的对比结果表明Dense Net是最优的模型。最后,我们将选出的最优模型应用于多时相的高分一号遥感图像在鄱阳湖地区水体提取,分析鄱阳湖地区2014-2018年间丰水期和枯水期的水体面积变化。其中选择2016年夏季的洪涝灾害事件,结合研究区土地覆盖类型具体分析此次洪涝灾害淹没面积。研究表明深度卷积神经网络在高分辨率卫星的水体提取中具有很强的应用前景,可以为研究区水资源监测与保护、洪涝灾害的灾前预警和灾后重建提供数据支持。