Las imágenes de teledetección procesadas a través de enfoques empíricos y deterministas ayudan a predecir múltiples características agronómicas a lo largo de la temporada de crecimiento. La identificación precisa del cultivo de algodón a partir de imágenes captadas de forma remota es una tarea significativa en la agricultura de precisión. Este estudio tiene como objetivo utilizar un marco basado en aprendizaje profundo para la identificación de campos de cultivo de algodón con imágenes de alta resolución (16 m) de Gaofen-1 (GF-1) en la región de Wei-Ku, China. Se utilizó un modelo optimizado para la red neuronal convolucional multidimensional densamente conectada (DenseNet) a nivel de píxel. Cuatro redes neuronales convolucionales clásicas ampliamente utilizadas (ResNet, VGG, SegNet y DeepLab v3+) también se utilizaron para la evaluación de precisión. Los resultados indican que DenseNet puede identificar características del cultivo de algodón en un tiempo relativamente más corto, alrededor de 5 h para la convergencia del entrenamiento. El rendimiento del modelo fue examinado mediante múltiples indicadores (P, F1, R y mIou) producidos a través de la matriz de confusión, y los campos de algodón derivados fueron luego visualizados. El modelo DenseNet ha demostrado mejoras considerable en comparación con los modelos principales anteriores. Los resultados mostraron que la precisión de recuperación fue de 0.948, la puntuación F1 fue de 0.953 y mIou fue de 0.911. Además, su rendimiento es relativamente mejor en la discriminación de las finas estructuras de los campos de cultivo de algodón cuando hay nubes, sombras de montañas y áreas urbanas construidas.