合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时成像的特性,在灾害监测方面具有显著优势。近年来,频繁而来的洪灾是其中最具破坏力的自然灾害之一,因此洪灾监测受到广泛的关注。SAR图像水体信息的提取提供了SAR图像中水体部分以及水体变化的情况,是SAR图像洪灾监测中的关键环节。卷积神经网络(Convolutional Neural Network,CNN)能提取具有鲁棒性与判别性的深层次水体信息特征。因此,基于卷积神经网络的SAR图像水体信息提取是SAR图像洪灾监测的前沿发展方向。围绕SAR图像水体信息提取这一主题,本文提出了基于卷积神经网络的SAR水体信息提取算法,并在此基础上研究开发了一套淮河流域SAR图像洪灾监测系统。文章的主要内容如下:(1)针对基于CNN的SAR图像水体信息提取中训练样本不足的问题,提出了一种基于多深度卷积神经网络(Multi-depth Convolutional Neural Network,MD-CNN)的SAR图像水体信息提取算法。该算法首先以输入的双时相SAR图像中水体像元所占比例为依据,通过自适应网络深度选取的方式来构建MD-CNN模型,从而减小算法对训练样本数量的需求。在此基础上,采用显著性检测来进一步减少训练样本数量。最后,算法利用MD-CNN分别提取双时相SAR图像中水体分布情况,并通过对比两幅SAR图像中水体分布的差异,实现了水体变化检测。实验结果验证了算法的有效性。(2)研究开发了一套淮河流域SAR图像洪灾监测系统。本系统包含水体信息提取部分以及水体变化检测部分。水体信息提取部分主要用于提取输入SAR图像中的水体分布情况,该部分将水体信息提取问题转换为二分类问题,并利用深度学习SAR图像分类方法得出水体分布情况;水体变化检测部分则用于检测水体的变化情况。该部分首先对输入的一对SAR图像分别进行水体信息提取,然后用差值法或比值法获取水体变化情况。针对2017年安徽省淮河流域六安段和霍邱县城东湖实际测试数据结果表明,该系统能够准确的提取水体、检测水体变化情况,并能与用户进行良好的交互。