近年来,云计算和大数据技术框架已经日渐成熟,以深度学习为代表的人工智能模型和算法在各个领域得到广泛应用。随着遥感传感器技术的快速发展,遥感数据时间分辨率和空间分辨率也越来越高,为水利、农业、环境等领域的业务化监测应用提供了丰富的数据源支持。为了有效保护以及合理利用水资源,对江河湖泊等水体日常变化监测成为生态环境保护的一个关键。本文主要针对内陆城市复杂环境下的水体提取算法容易受到城市建筑阴影的影响导致提取精度不高的问题,提出了一种基于光谱特征矩阵的卷积神经网络水体提取模型。同时,为支持实时水体监测应用,例如,分析暴雨引发的水体面积变化,本文从云计算环境中的容器虚拟化以及大数据处理底层技术寻找解决目前大部分遥感应用算法效率低下的问题。首次将卷积神经网络水体提取模型运行于云环境中的容器虚拟化,并利用Spark内存并行技术对其进行加速。本文的结果显示了在云环境中的容器虚拟化对内陆城区水体实时监测的方法的适用性满足高精度高效率的业务化运行需求。本文的工作内容包含以下三点:（1）基于光谱特征矩阵的卷积神经网络水体方法研究根据其他地物光谱反射特性和水体光谱反射特性的差异,以Sentinel-2A/B卫星数据为数据源,设计了一种基于光谱特征矩阵的卷积神经网络水体提取方法。首先通过分析地物光谱信息和水体的光谱反射规律,结合Sentinel-2A/B卫星特定的波段信息,确定水体提取所需的波段信息。然后,将所选择的一维光谱向量通过数学表达式映射为二维光谱特征矩阵。与此同时,为了有效地区分水体和其他地物、水体和城市建筑阴影,本文将NDWI（归一化水体指数）和USI（城市阴影指数）作为两个独立的波段数据加入光谱特征矩阵中。接着,利用人工标记的样本对分类模型进行训练。最后,通过实验测试本文所提出的水体提取方法在内陆城区的适用性。实验结果表明,该方法能够有效克服城市建筑阴影的影响,模型训练精度能达到96.37%,但该算法的提取结果存在零散水体像元和水体轮廓断裂现象,效率比较低下。（2）基于面向对象的思想对水体提取结果的优化为解决零散像元和边界偏离实际轮廓的问题,本文借鉴了面向对象的遥感分类方法,首先利用多尺度分割算法对研究区域进行多尺度分割,将影像分割成对象图斑。然后,以对象图斑为基本单位,结合卷积神经网络水体提取粗结果,并利用投票方式确定对象图斑的类别。最后,实验结果表明,利用面向对象的分类方法对水体提取的结果,能够有效解决存在的零散水体像元的问题,同时提取结果更符合实际轮廓。（3）基于云环境的水体提取方法效率优化为了解决像素级卷积神经网络水体提取算法效率较低的问题,本文从云计算的容器虚拟化以及大数据处理底层技术寻找解决目前遥感应用算法效率低下的问题,提出了一种面向窗口聚合函数的内存并行城市水体提取模型。首先,利用较为先进的容器虚拟化技术为内存并行计算框架提供弹性容器资源,然后,将训练好的水体提取模型以及内存并行框架打包成Docker镜像,并上传到私有镜像存储中。然后,利用Kubernetes管理和协调分配动态的计算和存储资源,为调用该水体提取模型的应用提供弹性的容器资源。最后,实验详细的分析了影像分块个数以及内存并行计算框架的执行器配置对于算法的执行效率影响。结果表明,面向窗口聚合函数的内存并行城市水体提取模型具有高可扩展以及高可用性。