【摘要】【目的】城市行道树对改善城市环境、净化空气、降噪遮阴等方面具有重要的生态职能。行道树调查是城市生态资源调查的重要组成，传统城市行道树人工调查方法的成本高、效率低，无法高效地满足管理部门监测城市生态信息的需求。无人机低空遥感的方法提取城市行道树信息，虽然能提高外业调查效率，但仍然存在内业数据处理时人工编辑DEM和树冠分割工作量过大等问题。为解决以上不足，文章探索了一种改进Mask R-CNN实例分割模型的无人机遥感城市行道树提取方案。【方法】基于深度学习的实例分割Mask R-CNN模型，针对城市行道树不存在两棵完全重叠的情况，采用非极大值抑制NMS(Non-maximum suppression)算法对所有检测物进行非极大值抑制，并根据检测树冠区域和待检测掩模之间的重叠比例，判断是否重复检测，以提高数据训练效率和准确率。构建精度评价指标，根据测试集的预测结果评估模型的性能和可适应性。【结果】利用同一架大疆DJI Phantom 4pro无人机，对香樟树、法国梧桐、银桦等典型城市行道树进行影像数据采集，创建了基于无人机遥感影像的行道树数据集，并采用Mask R-CNN实例分割模型实现行道树的树冠检测与分割，同时与人工提取方法进行对比分析。结果表明，本方法的行道树树冠自动分割平均总体精度为0.865、平均检测率为0.887，再经人工简单修正后，行道树树冠分割平均总体精度能达到0.948、平均检测率能达到0.965。【结论】无人机航测外业数据采集周期短、效率高，结合深度学习的改进Mask R-CNN实例分割算法，能自动获取较准确的树冠检测与轮廓分割信息，可节省大量外业调查和内业数据处理时间，对提升城市行道树监测效率和自动化水平具有重要意义。