蒙古高原地处干旱半干旱地区,河流水系对该区域的资源环境格局及其生态环境影响重大。色楞格河流域是中蒙俄经济走廊的核心要冲,准确掌握该河流域水体分布时空数据对于研究本区域的资源环境效应具有重要意义。本文以蒙古国色楞格河流域为研究区,基于GEE（Google Earth Engine）平台,以Sentinel-2影像为数据源,采用不同机器学习方法进行水体信息提取,并通过选取不同类型的水体评价方法适用性,得到适用于蒙古高原地区的水体提取方法,为研究弯曲河流的演化机制提供了方法支持。结合本研究区的河网数据,得到2019年色楞格河流域河流分布,通过与行政区内人口、畜牧与农作物面积统计数据和色楞格河流域河流面积的相关分析,开展地理影响分析。本文主要研究成果如下:（1）通过创建归一化差分水体指数（normalized difference water index,NDWI）、改进的归一化差分水体指数（modified normalized difference water index,MNDWI）和自动水体提取指数（Automated Water Extraction Index,AWEI）特征数据集,构建不同的机器学习模型,探索不同机器学习方法在进行高原地区的弯曲河流信息提取中的可能性。结果表明在GEE等新型的云平台提供影像数据源以及自动处理的计算支持下,机器学习方法都能够自动、快速、有效的提取高原地区水体信息。（2）通过对比支持向量机（Support Vector Machine,SVM）模型与深度神经网络模型（Deep Neural Networks,DNN）在蒙古高原地区水体提取的适用性,发现机器学习方法都能够有效的完成大范围区域内水文信息的提取,尤其是大面积水体,并且能够准确的提取弯曲河流、分叉河流。而在提取山间河流方面,深度神经网络模型的断流、空洞现象明显少于支持向量机模型,并且两者表现均优于欧盟联合研究中心（Joint Research Centre,JRC）水体数据集。深度神经网络的水体提取结果总体精度达到97.65%,Kappa系数为0.8755。（3）基于深度神经网络的水体提取结果,结合DEM河网提取,形成2019年蒙古国色楞格河流域河流分布,利用Arc GIS空间分析功能分析二级流域与各行政区进行河流空间格局分布,结合人口、牲畜与农作物等地理因素进行叠合分析,探索水系特征与地理区位的相互关系。分析发现人口密度较高的省份河流面积同样较高,牲畜密度与人口密度呈现一致性,农作物面积占比较高的两个省达尔汗省与色楞格省处于色楞格河流域干流区域,受水源影响明显。