为了保护水资源,确立水资源的分布与实时的监测,以便更好的管理与治理成为预防河流干涸、断流以及水资源污染的有效手段。随着遥感技术的发展,大大减少了人力物力资源在确立水资源的分布与实时监测的消耗。而对于传统的识别方法虽然在某些特定场景下表现较好,但随着数据量的不断增大,人们对于普适性和效率的要求越来越高,而对于传统的识别方法有着精度低、效率低以及无法提取遥感影像中深层特征的缺点。使用深度学习可以有效的解决这些问题。通过对比发现,其中的U-net(Semantic image segmentation network structure)是FCN(Fully Convolutional Neural Network)的一种改进,有着端对端的操作架构,能够对复杂分布的影像实现精确分类,并且能在有限的数据集的情况获得较高精度的结果。本文采用基于全连接卷积神经网络的U-net语义分割模型对于GF-2高分辨率遥感影像中的县域水体进行提取,并与语义分割Segnet模型进行对比,由于两者均表现不佳。最后对U-net模型进行了改进,增加了卷积层的同时减小了模型深度,并引入了空洞卷积。研究结果表明:改进的U-net充分的利用了遥感影像丰富的空间信息,达到了很好的分割效果,在精确度、F1值及总体精度上面与Segnet模型及原始的U-net相比均提升了10%左右。