耕地地块作为农业耕作的最小单元，对其精准识别是国土资源监测，耕地利用监测的需要。本文设计了一种边界感知的多任务神经网络（BGPVT）。该模型基于Pyramid Vision Transformer（PVT）架构，在语义分割的基础上增加了边界、像素到地块边界的距离攻击三个任务。从这些任务中学到的相关功能提高了网络的通用性。同时我们将边界任务视为一项独立分支，引入传统边缘检测拉普拉斯算子，提取影像低层级特征，并以此为约束，有效融合高层级语义信息，最后通过多尺度特征融合模块输出地块结果。此外，考虑到模型的泛化性能，我们在中国7个不同农业分区和荷兰Sentinel-2影像进行了实验。结果表明，我们的结果在属性和几何精度均优于现有的模型（SEANet，BsiNet，ResUNet-a和ResUNet）。8个数据集的地块提取总误差在0.085-0.318之间。迁移实验获得了令人满意的结果。我们得出的结论是，BGPVT是一种准确、稳健且可转移的方法，适用于不同区域和不同的遥感图像。
 

地块提取，深度学习,，农业遥感