【目的】利用无人机遥感影像对树冠进行自动化提取，获取高精度树冠信息。【方法】该研究提出一种基于Mask RCNN和迁移学习的无人机影像单木树冠提取方法。首先，选用在Faster R-CNN基础上改进优化的Mask R-CNN实例分割模型，特征提取网络在ResNet50残差网络和ResNet101残差网络二者间选取最优。其次，引入迁移学习与Mask RCNN一起训练，联合迁移学习的导向作用降低训练时间，提高训练精度。【结果】Mask R-CNN模型的总体精度为93.59%，用户精度为65.46%,F1分数为76.05%，平均精度均值为0.31；载入迁移学习后的Mask R-CNN模型在同等训练条件下比原模型的用户精度提升29.53%, F1分数提升19.63%，平均精度均值提升0.21；分别以ResNet50和ResNet101为特征提取网络的Mask R-CNN模型中，ResNet50+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.94%、95.57%、96.17%、0.54,ResNet101+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.20%、94.41%、95.19%、0.49；其中载入迁移学习的ResNet50+Mask R-CNN模型在预测东西冠幅、南北冠幅、树冠面积与样方郁闭度的预测决定系数分别为0.87、0.84、0.93和0.83。【结论】本研究提出的基于Mask R-CNN和迁移学习的方法得到了较为精准的树冠参数结果，为无人机遥感影像评估树木资源提供了一种快速高效的解决方案。