随着遥感卫星技术的快速发展,遥感图像智能分析在安全防护、环境监测、军事侦察等领域有着极为重要的意义。高分辨率遥感图像语义分割是遥感图像分析的基础,然而传统的图像分割方法需要人工设计特征,精度不高且泛化能力差。随着深度学习的发展,图像语义分割任务得到了快速发展,利用深度卷积神经网络强大的特征提取能力捕获图像特征,而不再依赖人工设计提取特征的方法,大大提高了语义分割任务的性能。本文的主要研究内容包括以下三个方面:1.基于全卷积网络和UNet网络的高分辨率遥感图像语义分割。本文对全卷积网络（FCN网络）和UNet网络进行了机理分析。FCN网络解码部分有三种不同的跳级结构,分别是8倍上采样、16倍上采样、32倍上采样。本文对三种不同上采样结构的FCN网络在高分辨遥感图像语义分割上进行了对比实验。UNet网络是图像语义分割的又一大经典网络模型,本文对UNet网络的不足进行了分析,对改进的UNet网络进行了对比实验。2.多层次上下文信息聚合的高分辨率遥感图像语义分割。高分辨遥感图像中包含了丰富的上下文信息。对于逐像素级的分割任务,捕获丰富的上下文信息对提高分割结果有明显的作用。本文搭建了多层次上下文信息提取的网络,使用UNet网络作为基本的特征提取网络。此外,为了进一步获得多尺度信息,在UNet网络的跳级连接中添加了ASPP模块。不同的尺度的特征在连续的卷积下采样过程中会发生不同程度的偏移,在聚合多层次上下文信息的时候,本文使用特征聚合模块对特征先进行语义对齐再聚合。3.基于多级别语义特征融合和混合注意力机制的高分辨率遥感图像语义分割。本文分析了高分辨率遥感图像中存在的不同级别的语义特征,包括了低级语义特征和高级语义特征。此外,目标的多尺度特征也可以被视为一种高级语义特征。低级语义特征通常指的是地物目标的边缘、纹理等特征,而高级语义特征中蕴含了丰富的上下文信息。为了获取多级别的语义特征,本文设搭建了双路径网络分别提取两种级别的特征,然后使用了一种高效的特征融合模块对两种级别的特征进行融合交互。此外,为了使得网络更加关注对分割目标有意义的特征,本文对常见的注意力机制方法进行了机理分析,并设计出一种改进的注意力模块用于改善语义分割性能。