图像分割属于图像解译中的典型任务，一直以来都是遥感领域的研究热点。根据分割结果的不同，遥感图形分割可以分为赋予类别标签的语义分割和赋予个体标签的实例分割，两者分别可用于地物要素的提取和人造目标的检测识别。随着遥感图像分辨率的提高，图像纹理细节呈现的越来越清晰，传统的基于底层像素相似性进行图像分割的方法已经难以满足现有的需求。而深度学习的出现给这一领域带来的新的希望，其强大的特征表达力，能有效利用图像细节提升分割效果。在深度学习方法中，网络模型与损失函数是影响分割结果的关键。而已有的研究多针对自然场景图像，遥感图像像素覆盖面积大，像素间关联性弱，使得直接将已有成果迁移至遥感图像分割中效果并不理想。因此如何提高深度学习在遥感图像中的分割效果是一个具有挑战性的课题。本文基于深度学习方法，针对遥感图像的特点，分别对网络模型和损失函数进行了研究，并将两者用于地物要素的语义分割和人造目标的实例分割任务中。　　本文的主要创新点和贡献如下:　　1.提出了一种基于感受野限制的图像语义分割方法。该方法从网络模型角度出发，针对现有分割网络感受野过大，不适用于遥感图像小目标多的特点，构建了一种适用于遥感图像分割的受限感受野网络。该方法有效改善了已有网络在分割遥感图像时感受野和参数冗余性大、依赖预训练模型的缺点，在保证分割效果的情况下，大幅减少了网络参数与运行时间。基于高分辨率卫星影像数据集的水体分割实验表明，受限感受野网络成功摆脱了预训练模型的约束，比其他基础网络获得了更好的性能，同时将模型大小降低了80％，预测时间减少了46％。　　2.提出了一种基于边缘提权损失的图像语义分割方法。该方法从损失函数角度出发，针对目前分割网络多采用逐像素的分类损失累加和作为分割损失，而不考虑像素空间关系，进而导致分割边缘效果不佳的缺点，提出了一种基于边缘信息对像素进行加权的损失函数。该方法有效改善了网络在分割遥感图像时的边缘细节，显著降低了边缘处的低置信区域。在水体分割实验中，边缘提权损失将边缘像素的分类准确率提高了7.8％，同时相较于其他在遥感领域引入空间信息的损失函数，该方法的计算耗时仅为千分之一。　　3.构建了基于深度学习的实例分割网络。该方法针对遥感图像中的人造目标，在语义分割的基础上，进一步的区分同类物体的不同目标，同时针对邻近或重叠目标难以区分开的问题，采用边缘提权损失改进分割效果。该方法首先构建了包括类别的判定、区域的定位和掩模的分割三部分输出的实例分割网络，然后利用边缘提权损失提高并排实例的分割效果。该方法在高分辨率舰船影像数据上的实例分割mAP指标达到了80.3％。