随着国家对水资源监管力度的不断加大,全国范围内水体信息周期性监测成为了一项重要工作。高分辨率遥感数据作为一种集宏观监测与细节展示于一体的数据资源,在水利行业内被愈发广泛、深入的应用。现阶段,遥感影像数据在水利业务中的应用呈现出一种“既多又少”的特殊状态。“多”指的是遥感数据体量庞大,数据总量随着采集时间的增加飞快增长,这使得影像数据的管理成为一大业务难题。“少”指的是有效信息少,水体信息在遥感数据中的含量不到总数据量的1%,且不均匀地分布在不同的遥感影像中,难以被快速精准地挖掘分析。遥感数据在水利行业应用上形成的这种“数据体量庞大但有效信息缺乏”、“监测范围广泛但细节提取困难”的业务化困境,是过去水利信息化建设中从未面临过的,也是未来水利信息化建设所必需面对和解决的。本研究将以遥感影像水体提取业务化应用需求为引导,通过改进遥感数据的管理模式,实现遥感数据的信息化管理,解决原有遥感数据文件化管理形式所引起的数据冗余查询与无效传输的问题;借助深度学习技术所具有的训练与应用相互分离的特性,构建一种适用范围广、处理精度高、抗干扰能力强的影像水体信息提取模型,解决了传统方法人工干预度高、提取精度不稳定的问题。在数据管理模式改进与水体提取方法优化的配合下,显著提升了水利业务中遥感水体提取的业务化能力,对于水利信息化建设具有积极意义。本文的主要研究成果及贡献如下:（1）针对多源遥感数据的文件结构不同、命名规则不同、空间表达不同等问题,提出了“空间描述信息+图像波段信息”的遥感数据信息化管理模式;提出遥感数据产品编码字典规范,实现对多种数据产品的规范化表达;并利用地理格网规则对宽幅数据进行离散,统一遥感数据单元的空间表达规则;在HBase数据库中对遥感图像管理模式进行实现,结合分布式数据系统的集群构建规则,提出一种符合遥感数据属性的均匀离散存储策略,提升了遥感数据索引效率。实验结果表明,在地理格网规则的约束下,以“空间描述信息+图像波段信息”形式存储在HBase数据库中的遥感数据信息,可以为用户提供更加准确、灵活数据资源,而离散策略的使用进一步释放出分布式数据系统性能余量。（2）针对传统水体提取算法在受到云层及建筑物影响的条件时,无法正确且稳定提取信息的问题,利用Deep Lab V3+神经网络训练水体提取模型;并针对水体对象空间尺度跨度较大的特点,改进了Deep Lab V3+模型的数据输入模式和神经网络结构。通过模拟人眼对图像观察的缩放行为,提出了一种针对遥感数据样本建立的数据多尺度采样规范,有效提升了样本中的多尺度背景特征含量;利用Deep Lab V3+网络架构中ASPP多尺度特征融合的设计思想,在网络结构末尾进行了多尺度图像融合,从而提升了前置模型的预测精度;Deep Lab V3+模型后端添加全连接条件随机场,解决了水体边界模糊、噪声碎斑干扰的问题。在多个湖库区域对模型进行实验验证,结果表明模型具有较高的水体信息提取精度,实现了遥感图像水体信息的高精度提取。模型应用过程中用户无需进行调参,极大的降低人力劳动成本,满足了水利行业高自动化与高精度数据处理的业务需求。（3）针对水体样本数据中存在的“标记误差”问题,提出一种伴随模型训练的样本质量控制方法。利用模型训练产生的损失函数数据值,对样本的“标记误差”程度进行分析,降低错误数据参与模型训练的概率。该方法是对模型训练过程的优化改进,并不会对模型结构进行改变。结果表明,该方法可以有效的提升模型迭代效率,使模型在更少迭代次数中获取到更好的精度表现。全文以“基础理论说明-方法构建-实现与优化”的思想从遥感数据的管理和水体提取模型的改进两个方面分别进行详细研究和探讨。本文中所提出的遥感数据离散化、规范化的管理方式和基于深度学习算法改进的水体提取模型,不但可以在水利业务优化上提供支持,同时对构建全球时空图像数据库和其他遥感地物信息分类的研究上有着积极意义。