在城市相关研究中,不透水面一般被定义为水不能快速渗入到地表以下的人造表面,如建筑物、停车场、街道、高速公路等,是研究城市区扩张情况和衡量城市生态环境状况的重要指标。杭州市是长江三角洲重要中心城市,其城市扩展状况对我国城市发展有着重要的借鉴意义。因此,开展不透水面的相关研究对监测城市动态、指导城市规划建设具有重要的意义。城市土地利用情况的复杂性以及不透水面材料的多样性,导致直接从高分辨率遥感影像中提取不透水面具有一定的挑战性。针对从高分辨率遥感影像提取城市不透水面的需求,本文提出了一种基于深度学习的不透水面提取方法,利用其在分析计算与特征提取方面出众的能力,实现城市不透水面的精确提取。本文提出的方法改善了不透水面提取精度和细节准确性,且具有一定泛化和迁移能力。论文的主要研究内容如下:（1）构建遥感不透水面数据集。基于高分辨率Google Earth遥感影像,对不透水面进行标注,经过数据裁剪、数据筛除、数据增强等操作,构建了拥有12000个样本数量的高分辨率遥感影像不透水面数据集。为后续基于深度学习提取遥感不透水面提供了数据支撑。（2）提出一种结合特征金字塔网络（Feature Pyramid Network,FPN）和Unet网络的深度学习不透水面提取方法。通过引入特征金字塔网络,实现遥感影像多尺度特征融合,以此构建不透水面提取网络模型,制定了改进后的模型训练方案,提高了模型的泛化能力和适用性,形成具有较高精度的不透水面提取方法,并通过实验验证方法的可行性。同时,设计不透水面提取方法的综合对比实验,从视觉效果、提取精度等多方面对不透水面提取结果进行综合评价,验证本文方法的优越性。（3）长时序不透水面自动提取及时空演变分析。应用本文提出的多尺度融合U-net不透水面提取模型,实现研究区时间跨度为30年的不透水面自动化提取。基于提取结果,分析杭州市主城区长时序不透水面的时空变化特征和规律,探讨城市扩展趋势以及不透水面变化驱动因素,对指导城市规划管理提供决策参考。本文提出的基于深度学习方法能够精确地提取城市不透水面信息,避免了传统方法提取不透水面时对先验知识依赖性较强、特征选取较繁杂和提取低效等问题,通过改进网络结构,提高了对细节和边缘的不透水面提取能力,进一步提高了提取精度,并具有一定的泛化和迁移能力。本文研究成果为不透水面提取提供一种新的基于数据驱动的思路,具有一定科学性和现实意义。