随着遥感技术相关领域的飞速发展,遥感影像的应用需求也日益增加。遥感图像语义分割,作为一项理解遥感影像的关键视觉任务,已广泛应用于城市规划、智能农业、环境保护等领域。近年来,深度学习的快速发展促进了遥感图像语义分割性能的不断提升,但由于遥感图像数据本身具有图像尺度大、成像范围广、背景信息复杂多变的特点,现有方法仍然在分割多尺度物体时面临分割精度低的挑战。本文针对这些挑战,对遥感图像语义分割展开了研究,并基于多样化的注意力机制模块和多尺度表征学习对网络进行了设计和改进以提高分割的准确率。本文主要研究内容包括以下几方面:1、提出了一种基于混合注意力和空洞空间金字塔池化的遥感图像语义分割方法。针对遥感图像类内差异大、类间差异小而导致的分类不准确的问题,提出一种基于多尺度表征学习的网络,该网络通过混合注意力模块,从多个维度自适应地对全局像素间关联进行学习。该模块以网络中层输出的粗略分割预测图辅助监督网络训练,强调挖掘鉴别性特征。通过在Potsdam数据集和Vaihingen数据集上进行对比实验和分割效果可视化,验证了该方法的有效性和可行性。2、提出了一种基于多阶段注意力机制的遥感图像语义分割方法。基于编码器-解码器结构的分割方法,在编码过程中进行下采样操作会丢失部分位置信息,通过跳跃连接直接融合编码器、解码器中特征往往不能充分利用不同层级特征信息的优势,特征融合不具有适应性。针对这一问题,提出了一种多阶段的注意力网络框架,在网络的不同阶段使用不同类型的注意力模块对有效特征进行强调;针对空间维度的点积注意力计算复杂度高、运算效率低的问题,提出了一种区域注意力模块,以轻量化的网络对区块间联系进行学习,丰富了上下文信息。通过在Potsdam数据集和Vaihingen数据集上进行对比实验和分割效果可视化,验证了该方法的有效性和可行性。3、提出了一种基于特征金字塔注意力和多尺度精细结构的遥感图像语义分割方法。基于空洞空间金字塔池化的网络可以通过多尺度表征学习提高网络对不同大小物体的分割精确率。但空洞卷积的引入往往使网络的计算效率降低,且由于空洞率的存在,采样点相互独立损害了网络对全局上下文信息的获取。针对该问题,提出了一种特征金字塔注意力模块,使用较小的网络参数对多尺度特征进行学习;针对遥感图像背景信息复杂、分类难度大的问题,在基于多阶段注意力机制的分割框架上,嵌入了多尺度精细网络结构,挖掘类别特征,实现了对分割结果由粗到细的优化。通过在Potsdam数据集和Vaihingen数据集上进行对比实验和分割效果可视化,验证了该方法的有效性和可行性。