语义分割任务要求任给一幅图片,使得计算机自动的识别出图像中的每一类目标,并将每一类目标对应的像素赋予同样的标签。传统的图像语义分割算法使用手工设计的特征,随后构造分类器分类,该类方法对于这样一个高级的任务难以取得较好的效果。近年来随着GPU技术的迅猛发展,大规模数据集的出现,使得深度网络重新进入视线,深度学习技术使得图像语义分割领域取得了长足进展。深度网络通过最小化图像与标注之间的损失,自动的学习出一组参数进行分割。该类方法同样存在许多问题:如何对解码器进行设计,针对特定问题如何运用等。本文梳理了近年来的研究工作,针对解码器部分特征融合、遥感小尺度目标分割、噪声数据等问题进行了深入研究,提出了性能较好,适应性较强的算法:第一,本文调研了近年来提出的特征融合的方法,针对深层特征与浅层特征解码器部分进行设计,在解码器后端引入注意力机制,提出了增强特征融合解码器,并分别在ResNet-101、MobileNet两种基础网络下,与不同特征融合方式的解码器进行比较。结果显示,增强特征融合解码器在分割精度上有最好的效果,并且在参数量、速度上与其他方法几无差别。第二,本文针对遥感图像分割数据缺乏的问题,通过手工标注与自动标注相结合的方式制作了NWPU-Seg数据集。对于自动标注部分,本文利用目标类别及外接矩形框的信息,使用GrabCut算法分割出目标,得到带有噪声的图像,从而对数据集做扩充。第三,针对遥感图像分割任务中目标尺度较小、过拟合等问题,本文提出了高分辨率分割网络,该网络具有较低的下采样倍数和较小的感受野,对于该任务有较好的适应性。随后本文对弱监督图像分类网络进行改进,在高分辨率网络基础上提出双解码器图像分割网络,该网络两个解码器的双分支结构分别使用手工精细标注的数据与自动生成的含有大量错误标注的数据进行训练,从而使网络学到更鲁棒的参数,进而提升分割精度。