针对遥感影像的语义分割问题，目前最常用的方法就是运用深度学习技术，即利用卷积神经网络算法来进行语义分割，此种方法已逐渐取代了传统的非深度学习算法。虽然深度学习技术在语义分割等计算机视觉领域取得了巨大成就，但不可否认的是，由于基于卷积神经网络的语义分割技术在经过多年的快速发展以后仍然存在一些挑战，如对小目标分割困难、目标边缘分割模糊等，尤其是当其应用于遥感影像的分割时，这些问题愈发突出，所以基于卷积神经网络的语义分割技术还有巨大的提升空间。为了有效改善这些问题，本文以深度学习为基础，探索基于卷积神经网络的遥感影像语义分割技术。本文主要工作如下。
　　1、提出一种基于空洞空间金字塔的U型网络模型。该模型以DeepLabv3+为基准网络，附以多级特征聚合模块，用来替代原本的解码器结构。从主干网络中引出多路低层特征，在解码结构中通过级联结构首先融合来自主干网络的低层特征、来自空洞空间金字塔的融合特征和来自上一级特征聚合模块的特征，然后将其输出。由于该网络利用了多个包含丰富空间信息的浅层特征，从而提高了对遥感影像中目标的分割能力。
　　2、提出一种基于高斯差分特征网络的通用显著目标检测模型，并将其应用于遥感影像的分割任务中。该网络将经典的中心-邻域对比度理论引入深度卷积神经网络，先在多个尺度的深度特征上构造高斯差分金字塔，用来感知图像中显著目标的局部突出特性，进而用此差分特征对语义信息丰富的深度特征进行加权选择，最终实现对遥感影像目标的准确分割。同时，在网络中使用标准的一维卷积来实现高斯平滑过程，在降低计算复杂度的同时实现了网络端到端地训练。
　　3、为了验证所提出模型的有效性，本文在使用公用数据集进行验证的同时也提出了一个北方种植大棚的遥感影像数据集，由于遥感影像数据通常具有更高的复杂性，同时也会包括丰富的地物信息与大量的冗余信息，相比于目标清晰、前景背景区分明显的公用数据集更具有说服力。该数据集以大棚为分割目标，实验结果表明，本文提出的模型在多个数据集上的评估指标均优于近年的多个优秀分割算法。
　　综上所述，本文针对遥感影像中的地物提取技术展开了基于卷积神经网络的金字塔模型和注意力机制的研究。在多项实验中也验证了所提算法的有效性。因此，本文的研究在遥感影像处理的相关领域存在潜在的应用价值。