La cobertura del suelo es uno de los indicadores clave para modelar procesos ecológicos, ambientales y climáticos, que cambian con frecuencia debido a factores naturales y actividades antropogénicas. Los cambios requieren diversas muestras para actualizar los mapas de cobertura del suelo, aunque en realidad el número de muestras siempre es insuficiente. Los métodos de aumento de muestras pueden llenar este vacío, pero estos métodos aún enfrentan dificultades, especialmente para datos de teledetección de alta resolución. Las dificultades incluyen lo siguiente: (1) la excesiva intervención humana, que se debe principalmente a la interpretación humana, incluso por métodos basados en aprendizaje activo; (2) grandes variaciones de los objetos de cobertura del suelo segmentados, lo que afecta la generalización a áreas no vistas, especialmente para los métodos propuestos que se validan en áreas de estudio pequeñas. Para resolver estos problemas, propusimos un método de aumento de muestras que incorpora redes neuronales profundas utilizando una imagen de Gaofen-2. Para evitar la acumulación de errores, el marco de aumento de muestras basado en redes neuronales (NNSA) emplea un procedimiento no iterativo y aumenta de 184 objetos de imagen con etiquetas a 75,112 muestras. La precisión general (OA) de NNSA es un 20% mayor que la de la propagación de etiquetas (LP) en referencia a los resultados interpretados por expertos; la LP tiene una OA de 61.16%. La precisión disminuye aproximadamente un 10% en el área de validación costera, que tiene características diferentes a las muestras de tierra adentro. También comparamos las estrategias iterativas y no iterativas sin información externa añadida. Los resultados del área de validación que contiene muestras originales muestran que los métodos no iterativos tienen una OA más alta y un menor desequilibrio de muestras. El método NNSA que aumenta el tamaño de la muestra con mayor precisión puede beneficiar la actualización de la información de cobertura del suelo.