遥感影像的地物分割在卫星影像领域研究中占有着重要地位,是对遥感影像进行地物提取的重要基础,为海洋污染监测、农作物估产提供了可靠的理论根据。遥感影像区别于普通三通道图像(RGB图像),它含有丰富的通道类型和大量的光谱特征,传统的无监督聚类方法和机器学习方法很难充分利用影像的空间特征,无法实现高精度的地物分割。普通的像元分类方法,如支持向量机(SVM)和随机森林(RF)等,只能提取出像元统计特征和植被指数特征,无法得到遥感影像中丰富的空间信息,特征表达能力有限,得到的分割结果边缘较为粗糙,识别精度不高。并且通过统计机器学习方法得到的像元分类结果,还需要进行结果拼接才能生成地物分割结果影像,时间成本相对较高。本课题为解决以上问题,对地物分割模型展开研究,并进行多项算法改进,通过实验验证了算法的有效性。针对传统方法在遥感图像地物分割任务上准确率低的问题,本论文提出了一个深度学习特征提取与图像语义分割算法相结合的模型。融合模型可以较好地提取遥感图像复杂的的光谱特征,并且使用注意力机制的卷积网络均衡了不同像元的关注程度,此外,引入并改进U-net模型用于增强遥感图像信息表达能力,在一定程度上提升了遥感图像地物分割精度。此外,为了提高遥感图像地物分割精准度,解决边缘识别不够精细的问题,本论文将改进U-net模型与条件随机场模型(CRF)进行融合,形成一种联合学习的分割识别方法,使用基于特征融合的New U-net模型作为联合学习框架前端模型,将条件随机场模型(CRF)转化为可进行梯度优化的循环神经网络算法并作为联合学习框架后端,联合学习使得模型的前后端部分可以相互影响,以便能精确地获取目标位置和目标地物的类别信息。最后,在公开数据集上对算法进行详尽实验并对比其它当前流行的遥感图像分割算法,实验表明,地物分割精度提高至86.1%,分割精准度具有较明显的提升。