La caña de azúcar, un cultivo económico vital y fuente de energía renovable, requiere un monitoreo preciso del área en la que ha sido plantada para garantizar la seguridad de la industria azucarera, optimizar la asignación de recursos agrícolas y permitir la evaluación de los beneficios ecológicos. La Región Autónoma Zhuang de Guangxi, aprovechando su clima subtropical y abundantes recursos solares térmicos, representa más del 63% del área total de cultivo de caña de azúcar en China. En este estudio, construimos un modelo mejorado de RCAU-net y desarrollamos un marco de extracción refinado que considera diferentes etapas de crecimiento para permitir la identificación rápida de las áreas de cultivo de caña de azúcar. Este estudio aborda desafíos clave en la extracción de caña de azúcar basada en teledetección, a saber, la dificultad de distinguir objetos espectralmente similares, la interferencia significativa del fondo y la fusión insuficiente de características a múltiples escalas. Para mejorar significativamente la precisión y robustez de la identificación de caña de azúcar, se diseñó un modelo RCAU-net mejorado basado en la arquitectura U-net. El modelo incorpora tres mejoras clave: reemplaza el codificador original con módulos residuales ResNet50 para mejorar la discriminación de cultivos similares; integra un Módulo de Atención de Bloque Convolucional (CBAM) para centrarse en características críticas y suprimir efectivamente la interferencia del fondo; y emplea un módulo de Agrupamiento Piramidal Espacial Atrous (ASPP) para conectar el codificador y el decodificador, optimizando así la extracción de información contextual a múltiples escalas. Finalmente, se construyó un marco de extracción refinado que tiene en cuenta diferentes etapas de crecimiento para lograr la identificación rápida de las áreas de cultivo de caña de azúcar en Guangxi. Los resultados experimentales demuestran que el modelo RCAU-net tuvo un rendimiento excelente, logrando una Precisión General (OA) del 97.19%, una Media de Intersección sobre Unión (mIoU) del 94.47%, una Precisión del 97.31% y un Puntaje F1 del 97.16%. Estos resultados representan mejoras significativas de 7.20, 10.02, 6.82 y 7.28 puntos porcentuales en OA, mIoU, Precisión y Puntaje F1, respectivamente, en comparación con el U-net original. El modelo también logró un coeficiente Kappa de 0.9419 y una tasa de Recall del 96.99%. La incorporación de estructuras residuales redujo significativamente la clasificación errónea de cultivos similares, mientras que los módulos CBAM y ASPP minimizaron los huecos dentro de grandes parches continuos y las extracciones falsas de pequeños parches, resultando en límites más suaves para las áreas extraídas. Este trabajo proporciona un soporte de datos confiable para el cálculo preciso del área de cultivo de caña de azúcar y mejora enormemente el valor de toma de decisiones del monitoreo por teledetección en la gestión agrícola moderna de la caña de azúcar.