水不仅是人类生存的基本条件,也是社会生产必不可少的物质资源。随着地球气候变迁和人类生产活动扩大,水资源短缺问题越来越突出。及时准确地探知地表水体的覆盖情况与水资源的变化,对于水资源调查、水污染管控、水利规划和流域治理等都具有重要意义,已经成为一个重要的研究课题。近年来,随着航空航天技术的进步以及光谱传感器精度的提高,以可观测范围广、实时性高等特点著称的卫星遥感技术在对地观测方面的优势越来越大,从而使得利用卫星遥感技术获取的多光谱、高分辨率的对地观测影像数据来研究水体识别日趋流行。但通过回顾遥感水体识别相关研究,目前学者们提出的遥感水体识别方法多聚焦于通过分析水体的光谱性质得到相应水体指数或者通过机器学习和深度学习的分类技术来实现自动化水体识别,这些方法一方面未能充分利用卫星遥感数据的多光谱信息,另一方面使用基于图像分类技术在实现像素级的水体识别任务上精度难以达到理想水平。本文就目前水体识别研究存在的问题提出了使用基于多任务学习的图像语义分割方法实现水体识别,一方面解决了在现有图像处理技术上如何有效整合遥感多光谱信息问题,另一方面将水体识别任务转化成语义分割任务实现了像素级的水体识别,避免基于图像切片的分类技术所引起的边界识别误差。文中提出了自动化遥感图像水体识别的完整方案并阐述了方案的详细流程,包括数据标注、模型训练和应用模型预测三个阶段。接着文中设计了基于多任务语义分割的水体识别模型MTDenseU Net,然后针对收集的卫星遥感数据集设计对应的实验方案,论证基于多任务学习的语义分割模型在多光谱遥感水体识别任务上的必要性以及有效性,并验证模型的稳健性。多层次循序渐进的实验结果表明了本文提出的水体识别方案显著优于其他对比方法。