利用卷积神经网络从遥感影像中提取水体时，水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异，导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大，影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题，文章首先以高分辨率遥感图像为基础，利用边缘提取算法生成边缘图像，然后以高分辨率遥感图像和边缘图像作为输入，建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net），用于从高分辨率遥感图像中提取水体对象。实验结果表明，SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%），精确率（91.12%、98.37%、97.88%），准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型，说明SEF-Net模型从高分辨率遥感图像中提取水体时，具有更高的精度和泛化能力。