绿潮一直是我国沿海区域重点关注的问题,不但给国家环境造成了大量的污染,而且对滨海旅游业、海洋渔业和养殖业造成了一定的威胁。目前,在传统方法中对于绿潮的提取面临两大难题,第一,基于某一植被指数的绿潮提取方法中,阈值难以自动确定,即使借助于目前先进的GIS信息开发系统,也需要人工交互进行阈值选择,而且为了避免把陆地植被误认为绿潮带来的影响,需要预先对遥感图像进行陆地掩膜,所以很难做到真正的绿潮提取与检测的自动化;第二,对绿潮的监测具有实时性,由于近地轨道卫星拍摄范围广,所以常用来监测绿潮爆发的整个漂流动态,但由于分辨率很低,其中常用的MODIS数据分辨率在250m到1000m之间,每一个像元都含有大量地物信息,在监测的绿潮覆盖面积与分布面积会大于真实值,给绿潮精细化提取带来一定的困扰。而且到现在为止针对于绿潮信息提取与检测的问题上,还没有形成一套基于深度学习方法的处理流程。为了克服以上问题,本文创新提出了基于多路卷积神经网络和超分辨率的绿潮提取方法。首先通过基于多路卷积神经网络提出了绿潮提取模型(GreenTideNet),主要分为三层网络结构,前两层双路UNet结构充分挖掘图像特征提取,包含底层特征与高层特征,第三层通过全局平均池化方式整合全局信息,最后再进一步卷积集成。实验结果表明,通过设计多路卷积结构,不但成功突破了阈值难以选择的难题,而且解决了因图像含有内陆植被需提前进行陆地掩膜的问题。但由于图像分辨率低,对绿潮的提取精度仍有改进的空间,而且不能避开海中岛屿上植被带来的影响。因此在GreenTideNet模型的基础上,增加了超分辨率重建和注意力机制模块,超分辨率模块负责提升图像的分辨率,语义分割模型结合注意力模块进一步提取图像语义特征,通过基于超分辨率重建技术结合语义分割模型进一步提高了在中低分辨率提取绿潮的精度。本文通过实验证明所提出方法的对绿潮提取的有效性,降低了因图像分辨率不足带来的识别错误率和海上植被带来的影响。