梯田是山丘坡耕地上最快捷有效的水土保持工程,根据《全国坡耕地水土流失综合治理“十三五”专项建设方案》的规划,大规模坡改梯工程即将建设完成。及时、准确地掌握梯田分布信息对水土保持监测和评价十分重要。目前,基于高分辨率无人机遥感梯田识别方法的研究仍然停留在面向对象分析技术层面,梯田的特征学习和识别分类依赖人工目视检测。为了解决遥感梯田识别研究中梯田特征无法进行自动深层次学习的问题,本文利用深度学习技术,研究基于全卷积神经网络(Fully Convolutional Networks,FCN)和条件随机场(Conditional Random Field,CRF)的语义分割方法完成对梯田田块的识别工作。本文主要完成工作如下:(1)梯田田块语义分割数据集的生成方案。由于现有的语义分割数据集缺少梯田田块标记样本,论文首先利用无人机采集原始数据,结合几何纠正、影像镶嵌等数据预处理方法获得梯田正射影像,经过Open CV裁剪后,使用Labelme基于目视解译的方式标注样本集,最后利用数据增强技术生成像素级梯田田块语义分割数据集,为后续梯田田块识别研究奠定基础。(2)基于FCN的梯田田块识别方法研究。为提取梯田田块的深层次特征进而识别田块,使用VGG-19网络模型作为基础,通过多尺度特征融合的方式设计并实现FCN-32s、FCN-16s、FCN-8s三种FCN梯田田块识别方法。以三个不同类型的梯田测试样区对三种FCN方法的识别能力进行测试,并对测试样区的识别结果进行精度评价和对比。结果表明,FCN-8s梯田田块识别方法的识别效果优于其他两种FCN方法。(3)基于CRF的梯田田块识别结果优化方法研究。为了减少FCN-8s方法识别结果对于田坎不明显田块的识别误差,进一步提高识别精度,论文研究基于CRF的梯田田块识别结果优化方案,以FCN-8s梯田田块识别结果作为一阶势函数,利用高斯核线性组合定义成对势函数,构建4-CRF、8-CRF和全连接CRF(Dense CRF)优化方法,通过平均近似场求解法计算方法结果。对三种CRF优化方法在测试区上识别结果进行精度评价和对比分析,结果表明,Dense CRF方法取得了最好的优化效果,在山脊区梯田、密集水平梯田和不规则梯田影像上的识别总体精度、F1分数和Kappa系数相比优化前平均提高了5.41%,7.3%和10.08%,最终达到86.85%,87.28%,80.41%,实现了精细的语义分割结果。本文的研究促进了深度学习技术在遥感梯田识别领域的研究和应用。