El agua superficial juega un papel fundamental en el contexto del cambio climático, las actividades humanas y los ecosistemas, subrayando la importancia de la monitorización precisa y la observación de los cuerpos de agua superficiales. Sin embargo, la naturaleza intrincada y diversa de la distribución del agua superficial plantea desafíos sustanciales para la cartografía precisa. La extracción de cuerpos de agua de imágenes de teledetección satelital de resolución media mediante métodos CNN se ve limitada por restricciones en los campos receptivos y capacidades inadecuadas de modelado de contexto, lo que resulta en la pérdida de detalles de los límites de los cuerpos de agua y una fusión subóptima de características multiescala. La investigación existente sobre este tema es limitada, lo que hace necesario explorar nuevas combinaciones de redes de aprendizaje profundo para superar estos desafíos. Este estudio presenta una novedosa combinación de redes de aprendizaje profundo, SwinDefNet, que integra convolución deformable y el Transformer Swin por primera vez. Al mejorar el campo receptivo efectivo e integrar información semántica global, el modelo puede capturar eficazmente las diversas características de los cuerpos de agua en varias escalas, mejorando así la precisión y completitud de la extracción de agua. El modelo fue evaluado en imágenes satelitales de Sentinel-2, logrando una precisión general del 97,89%, una puntuación F1 del 92,33% y, notablemente, una precisión del 98,03% en regiones montañosas. Estos hallazgos resaltan el potencial prometedor de este enfoque combinado para tareas precisas de extracción de agua.