随着各类高光谱遥感技术的快速发展,获取大量的高质量高光谱遥感影像数据的途径越来越多,高光谱成像技术已经被广泛应用于各种地球科学应用领域。高光谱遥感不仅具有一般遥感技术的全天候、现势性强等特点,还可利用其丰富的光谱信息和图像的形状、纹理和几何结构等特征来提高土地覆盖的识别能力。茶园是一种形态规整、分布具有规律性的地物类别,可以作为以高光谱遥感技术为基础的目标地物识别方法的研究对象。同时具有对代表性特征和判别特征进行层次学习能力的深度学习算法,可以对高光谱遥感图像进行更深层次的处理与分析。因此,利用高光谱遥感技术实现对茶园种植区分布自动提取是可行的。本研究基于“珠海一号”高光谱卫星遥感影像数据,利用深度学习模型自动提取贵州省遵义市湄潭县永兴镇为主的茶园种植区,探寻深度学习算法在高光谱遥感领域对目标地物提取的优势。主要研究成果如下:（1）针对高光谱遥感影像高维数据目标识别研究中,通常伴随的近邻波段间含有大量冗余信息,以及无法充分利用目标样本的光谱特征和纹理特征进行识别提取的问题,建立一种基于茶园样本特征结合波段选择法,选择对茶园种植区进行提取的特征波段模型方法。首先利用自动子空间划分方法将32波段数据初步划分为四个波段子空间集,然后分别从茶园样本的光谱可分性和纹理特异性特征角度,分别选出各个子空间内部茶园光谱可分性特征代表波段（第1、4、17、28波段）和能量、同质性、对比度纹理特征代表波段（第3、16、28波段）,最后利用联合信息熵法选出信息量最为丰富的第4、17、28波段组合。上述方法有效、快捷地提高了从高光谱遥感影像的高维数据中选取基于地物样本不同特征信息的特征波段效率。（2）基于迁移学习的知识体系,依据DeepLabV3+模型针对各类遥感影像精细地物语义分割任务精度上有较优表现的现实优势,利用控制变量法分别训练了变化学习率与固定学习率（0.001、0.0001和0.00001）共四种学习率和16、32和64小批量样本数的DeepLabV3+卷积神经网络模型,并对茶园分布提取精度及结果进行评价。结果表明,在固定学习率为0.0001、小批量样本数为16、其余训练参数默认的最佳模型参数设置下,DeepLabV3+模型针对研究区的茶园提取召回率、精确度和IOU值分别达到了72.58%、67.64%和0.5387。（3）DeepLabV3+模型与传统的支持向量机、最小距离法茶园提取结果进行对比分析,结果表明该模型对茶园种植区提取效果最佳,三种方法间总分类准确率、茶园提取召回率、精确度和IOU值最大值相差为12.71%、28.12%、26.68%和0.2270;从DeepLabV3+模型与Segnet和U-net经典深度学习分割算法的茶园提取结果对比分析,结果表明,从迁移经典深度学习模型角度,DeepLabV3+模型在茶园提取方面具有更强的优势性;其次利用DeepLabV3+模型对不同样本区域茶园种植区进行提取,精度评价显示该模型在不同程度包含茶园种植区地区的总体分类精度都达到了85%以上,茶园提取的召回率、精确度和IOU值最大相差3.7%、2.08%和0.0156,总体呈现较好的茶园种植区提取效果;最后针对不同特征通道下相同研究区域进行茶园提取实验,结果表明,同时作为第四子空间内部光谱可分性代表波段,和对比度纹理特征代表波段的第28通道训练样本数据,在DeepLabV3+模型对茶园种植区提取中表现最佳,该通道下研究区的总体分类准确率和茶园提取召回率、精确度和IOU值分别达到了86.27%、76.73%、69.15%和0.5716。综合评价结果表明,DeepLabV3+模型在高光谱遥感影像中茶园种植区的自动提取方面有较好的表现,具有广泛的综合应用性。