目前,我国饮用水环境安全形势严峻。包括农业用地、采矿用地、工业用地、居民生活区等都在不同程度上成为水环境污染的重要源头。快速、及时、有效的对水源地风险源进行动态监测,进一步保护水环境,是当前遥感领域的一个的研究重点。样本对遥感地物分类监测起重要作用,但样本选取工作往往耗时耗力、花费巨大。基于迁移学习的思想,进行样本的迁移应用可以解决遥感影像分类的样本不足问题。本文以对水源地环境具有重要影响的建筑区为例,应用支持向量机和全卷积网络两种方法,研究了基于迁移学习思想下的遥感影像样本迁移的可行性。主要内容包括:1)针对30米分辨率的Landsat 8数据,根据地物的实际特性,采用分层提取的思路,首先去除影像中随物候变化较大的地物,然后对影像中其他地物采用支持向量机分类器进行提取。结合该思路,借助直推式迁移学习的方法,对不同时期的数据源进行样本迁移应用,验证基于样本属性的样本迁移可能性。2)针对10米分辨率的Sentinel 2数据,结合全卷积网络,借助归纳式、直推式两种迁移学习方法,实验了不同物候、不同成像条件下的样本迁移。并结合全卷积网络的样本迁移结果,在10米分辨率数据下,对南水北调中线工程沿线进行高低层建筑区提取。上述的实验结果表明:1)面对30米分辨率数据的样本属性迁移,在确保样本属性和待处理数据在特征空间上有较强的一致性时,能够取得较为良好的样本迁移效果,样本迁移具有较大的应用空间。2)面对10米分辨率数据的样本迁移中,不同物候条件下的样本迁移,对结果有较大的影响,负样本随物候的变化引起提取结果的精度下降;而雾霾等大气条件在一定程度上可以增加样本的鲁棒性,使得样本迁移具有较强的可操作性。结合物候和成像天气条件,可得到适用性较强的标记样本集。同时,卷积网络的方法在南水北调中线工程周边的实际应用表明该方法具有较强的推广性。