DLG作为入库数据,保持时效性十分重要。如何利用影像获得最新DLG数据,减少野外勘测,对加快整个数据更新的周期有着重要意义。水体要素在地形图库数据中占有重要地位,更新水体最重要的是获得最新水体分布位置,目前DLG数据的更新多采用旧数据与影像套合人工更新方法,耗费时间。目前比较常用影像水体自动模式识别方法大多基于遥感卫星影像,因易获得的遥感卫星影像大多分辨率较低,其中地物通常较小,光谱信息丰富,常使用光谱提取的方法。但该类方法有两点问题,第一点是传统识别方法需要人为选择特征,导致了分类结果不统一。第二点是由于遥感影像原因,影像的光谱信息更丰富,影像纹理形状等特征信息较为欠缺,导致将建筑物阴影、沥青路和浓密植被等暗地物被误分为水体,高分辨率的遥感卫星影像又十分昂贵,因此需要一种新的廉价的方法去完善水体信息的提取。论文就目前问题提出一种水体模式识别方法,该方法将常用卷积神经网络算法与语义分割相组合,使用卷积神经网络提取特征,通过影像语义分割识别水体,实验数据为DOM。将现有的高分辨率DOM数据进行训练,用训练好的网络对待识别影像数据完成水体识别后优化,最后将优化后的水体信息用于对原有水体矢量数据的更新。具体的工作包括:第一,对现有的DOM数据进行裁剪与数据增强,配置相关的开发环境,对制作好的训练集数据制作标签,将水体标记为红色,其余背景显示黑色。第二,将现有的语义分割网络与卷积神经网络做算法融合,并将训练集输入组合网络中,使用MIo U(Mean Intersection over Union)作为实验效果的依据,对网络相关的参数进行调整直到达到满意分割结果为止。第三,对识别结果基于概率模型设计的全连接条件随机场进行优化,优化后结果矢量化,将原有的水体矢量数据与识别的最新水体数据进行运算,确定识别水体所属类型,例如是河流还是湖泊等,完成水体面DLG数据更新。本文为提取水体影像信息更新DLG库数据提供了新的思路,提出了通过深度语义学习识别水体的方法,充分地使用了水体要素的纹理、形状、颜色信息,提高了分类的精确度。且通过机器提取特征避免了用户使用中人工选择特征集,保证了统一性。