内河洲滩是河湖水系中存在的重要陆地区域,对河湖水系生态环境建设具有重要意义。利用遥感技术进行内河洲滩及其建筑物的智能识别,是当前水利遥感及相关研究领域所需解决的重要课题,具有重要的理论与实际应用价值。然而,由于遥感影像中内河洲滩及其地物的复杂性与多样性,内河洲滩及其建筑物的智能识别仍存在较大困难。本论文从遥感影像中智能识别内河洲滩及其建筑物,主要研究内容及相关成果如下:（1）针对遥感影像内河洲滩识别难度大及精度不高的问题,本文利用遥感影像中内河洲滩的形态特征及光谱特征,提出了一种联合遥感特征指数与增强型XGBoost的内河洲滩遥感智能识别方法。遥感特征指数MNDWI和NDVI对于水体及植被目标具有高敏感性,有利于洲滩识别;极端梯度提升算法（XGBoost）计算速度快、分类精度高,本文在普通型XGBoost的基础之上引入了交叉验证及网格搜索参数优化方法,形成了增强型XGBoost,实现了内河洲滩遥感智能识别。以Landsat8、GF-1卫星影像为实验数据,与决策树（Decision Tree）、随机森林（Random Forest）、普通型XGBoost等多种方法进行了对比分析,验证了本文方法的有效性。以Landsat8 OLI长江研究区实验数据为例,内河洲滩识别的总体精度与kappa系数分别达到了96.0%与0.920,比普通型XGBoost分别高出了2%和0.041,本文方法具有更高的内河洲滩识别精度,识别结果完整、准确。（2）针对内河洲滩建筑物特点,本文利用遥感影像建筑物空间形态特征,对传统U-net结构加以改进,融合了残差结构、密集连接及空洞卷积结构,提出了适用于内河洲滩建筑物识别的改进型U-net网络。以FCN16S、FCN8S、Segnet、U-net为对比方法,利用Massachusetts及WHU建筑物数据集,进行建筑物识别实验,验证了本文方法的有效性。本文还利用GF-2遥感影像,进行了算法迁移实验。本文方法在Massachusetts及WHU数据集上的识别结果的总体精度分别为92.37%、97.00%,m Io U分别为78.07%、88.85%,优于传统方法。在基于GF-2影像的迁移实验中,本文方法也取得了很好的建筑物识别结果,识别精度高,建筑物边缘识别准确,对小型建筑物敏感度高,且具有良好的可迁移性。