随着遥感技术的飞速发展,目前可获得的遥感数据越来越丰富,针对遥感数据的场景理解也越发引起关注。语义分割任务作为遥感数据场景理解中的重要任务,有着极其广泛的应用。虽然基于深度学习的方法已在遥感图像分割领域取得了优异的效果,但还存在资源消耗大、边缘分割困难、上下文处理方法仍需优化等问题。针对这些问题,本文结合多任务学习、注意力机制及类别上下文增强思想对遥感图像语义分割展开研究。本文主要研究内容如下:1.提出了一种基于图像超分辨与特征增强的多任务遥感图像语义分割方法。目前主流算法通常面临资源消耗较大的问题。本文从输入端考虑,对低分辨率输入下的语义分割效果进行优化,为解决该问题提供另一种思路。该方法结合多任务学习思想,令同一网络框架下同时包含语义分割和超分辨两个任务分支。超分辨任务作为辅助任务,通过学习图像的高分辨表示来获得额外的细节信息。进而通过特征增强模块学习两个任务特征间的相似性关系进行任务间交互,实现对语义分割任务的辅助。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。2.提出了一种基于边缘检测与双注意力的多任务遥感图像语义分割方法。语义分割领域长期存在着边缘部分预测困难的问题。考虑到语义分割与边缘检测耦合性较高,且两个任务间可以有效地相互促进。本文结合多任务学习思想,在语义分割网络框架下引入边缘检测任务。该网络针对边缘检测任务要求精细化结果的特性,引入了双注意力模块对低级别特征进行额外处理,同时使用可学习上采样模块实现更精细的图像上采样。并设计了一种边缘优化模块,对分支间的一致性关系进行学习,从而实现任务间交互。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。3.提出了一种基于上下文增强与多任务优化的遥感图像语义分割方法。主要针对上下文处理方法及多任务学习框架再优化问题进行设计。为实现更有效的上下文处理,通过监督学习初步得到特征信息的类别区域表示,并使用特征间的关联关系进行特征增强,实现适应目标区域范围的上下文信息处理。为进一步发挥多任务学习的优势,设计了一种更直接的跨任务交互方法,令边缘特征作为掩膜直接对语义分割特征进行增强。针对多任务学习框架训练过程中的权重适应问题,设计了一种自调节多任务权重方法,协调训练过程中不同任务之间的关系。经过实验,所提出方法在三个数据集上均优于各基线网络,验证了该方法的有效性。