遥感图像语义分割是遥感图像应用领域的一个重要分支,高分辨率卫星传感器技术的发展为遥感图像提供了海量的数据与多样化的数据类型,促使遥感图像处理技术被广泛地应用于精细农业、城市规划和军事安全等领域。随着深度学习在人工智能领域的快速崛起,将大数据遥感影像与深度学习结合成为了热门的研究领域。本文主要以高分辨率遥感图像为研究主体,研究基于深度学习的语义分割算法,提出语义分割模型并在遥感数据集上进行测试与验证。主要工作如下:一、针对高分辨率遥感影像,提出基于注意力的多尺度多通道的D-MMA Net模型对遥感图像地物进行分割。为了解决遥感图像中地物目标边界模糊和小物体边缘分割不清晰的问题。构建了多尺度特征提取结合自适应通道注意力机制的D-MA模块,在解码器不同阶段获取多尺度语义信息,并自适应高效融合深层与浅层语义信息。此外,使用轮廓梯度学习CEM模块针对图像的边缘梯度进行学习并作为补充信息,有助于不规则物体边缘和小样本物体边界的预测。实验结果表明,提出的方法对于小物体边界,有良好的分割效果。二、基于上述多尺度特征提取的研究基础,以及Dense Net特征复用的思想,提出了用于遥感图像语义分割的Dense-Inception Net（D-INet）模型。该算法在深度模型中融合浅层信息并引入伴随损失函数以解决遥感图像中不规则物体分割以及相似物体误分类的问题。首先将多尺度特征提取模块与特征复用思想结合,提出了一种新型的Dens-Inception模块,该模块使用了更宽的密集连接,以获得更多的上下文信息和有意义的特征;其次,采用修改的receptive field block（RFB）模块作为浅层特征提取方法,利用上采样步骤进行融合特征以加强特征提取网络的表达;最后,在中间阶段使用的伴随损失函数,提高了神经网络隐藏层的透明度,共同监督神经网络提取更具有识别性的特征图。实验结果表明,该网络具有很好的性能,可以有效的对遥感图像进行语义分割。