及时、准确的获取农田地块信息,可以有效地促进农业管理和决策的科学化,对解决粮食安全问题具有重要意义。高分辨率遥感影像具有丰富的细节信息,但精细、复杂的地物信息增加了农田地块边界的识别难度,给农田地块的精确提取带来了挑战。为此,我们提出了一种轮廓-纹理分层特征融合网络（CT-HiffNet）,用于从高分辨率遥感影像中提取农田地块。具体来说,该模型通过轮廓-纹理特征注意与引导模块,对农田地块的轮廓与纹理特征进行充分的挖掘与学习,并引入深度残差收缩网络进行特征编码,以消除农田地块提取任务的冗余信息,再构建层级信息融合的解码器,强化各个尺度特征的交互能力,减少特征还原产生的信息损失,从而提升农田地块的提取能力。我们利用GF-2数据在中国4个不同农业景观区域对CT-HiffNet模型进行评估,并利用Sentinel-2和Google Earth数据,在全球范围内选取了6个区域,对CT-HiffNet模型的泛化与迁移能力进行检验。结果表明,CT-HiffNet 在中国各区域的总体精度、精确率和召回率均超过 80%,在全球其他验证区域,精确率和召回率分别超过 84% 和 86.5%。这证明了其在农田地块提取方面的有效性,并体现了该模型强大的可迁移性和泛化能力。特别是轮廓纹理特征有效增强了农田地块的边界识别,有助于模型适应不同时相的遥感影像。同时,确定合适的样本大小对 CT-HiffNet 的性能至关重要。