石漠化遥感监测可为石漠化治理提供技术支撑,如何提高石漠化土地遥感识别的精度是目前研究的重点。在大范围石漠化监测应用中,石漠化信息提取难度较大、精度不高,而深度学习方法在遥感影像识别上具有较高的自主性和自动识别能力,有望提高石漠化信息提取的精度。本研究以典型石漠化区贵州普定县为例,运用深度学习方法与石漠化指数法在GF-6号卫星数据上进行石漠化土地遥感识别分类并得出研究区域石漠化土地分布情况。通过混淆矩阵对用户精度,生产精度,总体精度以及Kappa系数等四个指标进行评价对比,验证两种分类方法的石漠化分类精度,并分析普定县石漠化空间分布格局。主要结果如下:（1）通过用户精度与生产精度两个指标的对比显示出基于深度学习的石漠化土地遥感识别结果对于各等级石漠化土地识别精度依次为:极重度石漠化（93.10%,92.32%）、重度石漠化（87.41%,82.04%）、中度石漠化（79.53%,81.35%）、轻度石漠化（79.46%,78.74%）、潜在石漠化（73.33%,79.86%）;基于石漠化指数法的石漠化土地遥感识别结果对所有强度石漠化土地的识别精度无明显差异。（2）通过对两种方法提取后的石漠化分类结果总体精度以及Kappa系数进行对比,发现基于深度学习模型的石漠化提取方法精度（总体精度87.40%,Kappa系数为89.20%）较石漠化指数法高（总体精度78.20%,Kappa系数79.34%）,表明深度学习方法是更为有效的石漠化土地识别方法。