语义分割是一种像素级别的分类任务,其目的是为图像中所有的像素点分配一个相应的类别属性。遥感作为地球监测技术中的一个重要组成部分,其产生的影像具有超大的幅宽范围和丰富的图像内容,对其进行语义分割在城市规划、资源勘探、军事侦查等领域有着重要的意义。然而,由于遥感影像内容和光学成像条件的复杂性,空间分辨率达到亚米级别的遥感影像在语义分割上面临许多困难,通常难以获得对其细粒度的精确语义分割结果。本文基于深度学习的遥感影像语义分割算法展开研究,主要研究创新包括以下两个方面:（1）由于星载相机观测距离较远,高分辨率遥感影像中的一些目标通常占据较少的像素数,这类微小目标会被影像中像素占比较多的占主导地位的地物类别所包围,导致类别边界错综复杂,极易发生混淆。针对这一问题,本文提出了一种基于特征引导的遥感影像语义分割编解码网络。本文将编码阶段的特征分为地物轮廓相关的边缘特征和地物内部相关的主体特征两部分,显式地从较浅层提取出边缘特征,从较深层提取出主体特征。在解码器中,设计了一个特征引导模块通过跳跃连接的方式引导语义分割的输出,利用边缘特征增强地物边缘轮廓,利用主体特征增强地物的内部一致性,提升语义分割表现。另外,本文采用了多任务学习的策略,引入了边缘检测任务和辅助分割任务,利用不同任务之间的关联性提升最终语义分割任务的表现。（2）遥感影像中存在丰富的地物内容,这些地物在尺度、纹理、几何结构上都大不相同。本文提出了一种双重期望最大化注意力模块,以充分聚合多尺度上下文信息,适应遥感影像中大量尺度、形态等不一的目标。该模块利用自注意力机制,能够同时完成对空间和通道维度上的上下文信息的捕获,增强对不同尺度形态地物的表示。另外,本文通过引入期望最大化算法,得到一组低维的基,在一这组基上而非全局所有像素位置上计算注意力权重矩阵,使得算法的复杂度显著降低。本文所提出算法在两个大型遥感影像语义分割数据集Vaihingen和Potsdam上的实验,证实了本文算法的有效性和先进性。相比全局注意力机制,本文提出的双重期望最大化注意力模块的参数量减少了11%,浮点运算次数减少了41%。与现有的先进语义分割方法对比,本文所提出方法在两个数据集上都得到了最好的结果。在Potsdam数据集上整体像素精确度可以达到91.24%,平均交并比可以达到86.80%。