随着中国经济的发展和人们的生活质量的快速提升,打造绿色、低碳的旅游城市是现阶段中国可持续绿色经济发展道路中不可阻挡的发展趋势。绿地的区域面积大小作为城市绿化程度的重要衡量指标之一,如何高效、准确地测量城市绿地面积用于监测城市绿化程度一直是遥感图像解译研究领域的学者们需要仔细研究的问题。现阶段,针对高分辨遥感影像分类的算法层出不穷,主要分为传统的方法和深度学习的方法。在传统的方法中其精准性受人的主观影响比较大、工作量大,而且在实际情况下,遥感影像受山体阴影、色差和气溶胶等因素影响下容易导致地物提取准确率降低。在深度学习的方法中则受到训练样本少、地物尺寸较小和细节信息不够等因素导致的模型泛化能力差,分割准确率低。针对上述问题,本文将结合传统的方法和深度学习的方法重点探究城市中提取绿地的方法。主要研究内容包括:(1)在传统的方法上,针对在遥感图像中对绿地进行提取时,因为光照和山体阴影等因素造成的绿地错分成水体从而导致分类准确率低的问题,本文提出一种结合归一化水体指数法和最大似然法的策略提取绿地。(2)在深度学习方法上,针对U-Net网络在多分割场景下,小目标分割性能差,分割边缘易重叠的问题,提出一种改进的U-Net算法。该算法通过引入不同尺度的卷积代替原网络单一尺寸卷积,同时加入BN层用于解决网络模型训练时容易过拟合的问题。再提出一种将跳跃连接和上池化操作结合的方式用于捕获细节信息,进一步提高模型的识别精准率。同时设计了MGAN网络模型扩充训练集。(3)考虑到进一步提高模型整体的分类精度,本文提出采用集成学习策略用于优化分割结果、降低错分问题。从多模型融合角度出发,将传统方法作用于提取多光谱特征和深度学习方法作用于提取数字图像三通道光谱特征相融合从而将模型的总体分类精准率提升到了92%。实验表明,本文提出结合归一化水体指数法和最大似然法的策略在提取绿地的精度上达85%,相比原方法有了很大提升。改进的U-Net方法分割准确率达91%,而通过集成学习的方式优化结果分割准确率达92%。