及时、准确的水稻空间分布信息在农作物估产、粮食安全、全球气候变化等多方面发挥着至关重要的作用。早期获取农作物信息的途径以实地调查为主,成本较高且结果精度较差,不利于进一步推广。遥感技术的快速发展为水稻信息提取开辟了新的途径,目前已经发展得比较成熟。在我国南方地区,由于受到地形、气候条件等影响,水稻的种植结构复杂,空间分布零散,存在大量耕地被搁置撂荒,而且其多云雨天气对遥感数据的收集来说也是一个很大的挑战。因此,利用遥感技术对该地区的水稻进行精确提取尚面临一些挑战。本研究以具有高时间分辨率的HJ-1A/B多光谱影像为主要数据源,提出了一种适用于复杂地表景观区域的水稻信息精确提取方法。具体内容主要包括以下几方面:(1)考虑到归一化植被指数(NDVI)易出现的过饱和特点,使用增强型植被指数(EVI)作为监测植被生长状态的重要指标。通过构建不同地物类型的EVI时间序列,分析它们的生长变化特征。其中,水稻在不同的物候阶段表现出明显的特征差异。(2)借助深度学习技术,基于EVI时序特征提出一种复杂地表景观区域水稻信息精确提取方法。作为深度学习领域的一个研究热点,卷积神经网络(CNN)由于其多层结构、局部连接和权重共享等优势,能够提取深层的抽象特征,已经在遥感分类领域得到了广泛应用。本研究以CNN模型为主要框架,基于EVI时间序列的深度学习特征建立水稻遥感识别模型。另外,为了保证模型充分训练,引入迁移学习技术进行EVI时序特征提取。(3)为了验证提出模型的性能和可靠性,选择支持向量机(SVM)作为对比,分别进行定性和定量的精度评估。结果表明,对于研究区内的八个地块,CNN的识别结果更准确。比较三个精度值发现,CNN的整体识别效果优于SVM,总体精度分别为93.60%和91.05%。并且,在提取水稻信息时,提出的模型也表现出较高的精度。引入深度学习模型可以有效地改善分类效果,其在中分辨率遥感水稻分类研究中表现出较高的可靠性。在未来的研究中,综合深度学习技术与植被指数时序特征提取将在作物遥感分类领域面临更多的挑战和机会。