我国是茶叶的生产大国,茶种植区的监测工作对我国经济发展具有重要意义。然而传统的人工野外勘测方法需要耗费大量的人力物力,时效性差,精度低,不能及时有效地获取茶种植区空间分布信息,同时也有着比较高的误差。遥感技术具有准确、及时获取信息的天然优势,因此使用遥感监测的方法实现对茶种植区的自动提取是可行的,但同时由于茶树在光谱特征上与其它农作物种植区的相似性,导致目前的茶提取算法难以达到良好的效果。本文以遥感技术为基础,结合多种算法实现了茶种植区的自动提取,主要研究内容如下:（1）提出一种面向对象结合变差函数的茶种植区自动提取方法。首先采用面向对象的方法实现了非植被区的高精度提取,排除了非植被区的干扰,为下一步茶种植区的提取奠定了基础。然后基于茶区与其他植被区在变差函数纹理特征上的差异,构建了决策树分类模型,对茶种植区进行高精度提取。实验结果表明,该方法对于解决高分辨率遥感图像茶种植区提取问题是可行且有优势的。（2）针对高分辨率遥感图像中目标尺寸存在差异,即多尺度问题,以及由于高分辨率遥感图像的类内不一致性导致的虚警问题,提出一种基于MF-DFNet（Muti-scale Feature and Discriminative Feature Network）的高分二号（GF-2）图像茶种植区自动提取方法。针对多尺度问题,首先采用去除了全连接层并使用层次分割残差块代替卷积层的改进VGG16网络作为编码器部分的主干网络,其中层次分割残差块能够有效提高网络的多尺度特征提取能力,然后在主干网络顶部添加残差RFB模块扩大感受野,并实现了密集的多尺度上下文信息聚合;针对虚警问题,首先在编码器和解码器之间引入了茶区-场景关系模块,增强了茶区特征的判别力,然后在解码器部分引入了通道注意力模块（CAB）,进一步选择更具判别力的特征。实验结果表明,该方法有效提高了高分辨率遥感图像茶区提取精度,F1度量和交并比分别可以达到0.969和0.940。（3）为了在保证提取精度能达到基本实际需求的前提下,有效提高高分辨率遥感图像茶区提取速度,提出一种基于SPRRD-Shuffle Net V2的高分二号（GF-2）图像茶种植区快速提取方法。首先以去除了最后1×1卷积层、全局池化层和全连接层的Shuffle Net V2网络作为编码器部分的主干网络,并增加解码器以实现像素级分类;然后在几乎不增加参数量、不影响推理速度的前提下,在编码器部分增强条纹池化模块（I-SPM）和混合池化模块（MPM）,用于捕获全局和局部依赖关系;在解码器部分增加残差优化块（RRB）,用于优化输出特征。实验结果表明,该方法能够满足基本提取精度需求,F1度量和交并比分别可以达到0.940和0.887,同时推理速度能够达到0.006s/image,有效提高了提取速度。（4）采用Python的PyQt5库设计与开发了高分辨率遥感图像茶区提取系统。该系统包括训练数据准备、模型训练和茶区检测等功能,通过用户输入的高分辨率遥感图像得到检测结果,从而代替繁重的野外勘测工作,节省了大量的时间与精力,可以用于实际的茶园检测工作中。