伴随着遥感影像技术的快速发展,遥感图像的分辨率不断提高,数据量急剧增加,传统的地物分类技术在面对高分辨率遥感图像的解译时逐渐显得捉襟见肘;同时,作为计算机视觉领域的重要组成部分,深度学习近几年来获得了广泛关注和迅速发展,基于深度学习的语义分割技术则已成为计算机图像处理领域和深度学习领域中热门的研究方向。本文结合高分辨率遥感影像的特性,并基于深度学习基本理论,分析并对比了现有的语义分割网络在遥感图像地物提取任务中的表现,并对模型进行了改进,将其应用到了高分辨率遥感图像处理领域,极大提升了遥感图像地物分类任务的处理速度。在此基础上,本文设计并完成了基于深度学习的智能遥感解译平台,能够自动对高分辨率遥感图像进行智能解译。本文的主要内容如下:(1)建立了能够用于深度学习训练的遥感影像语义分割数据集。本文针对现有的高分辨率遥感图像和人工标注的矢量文件,通过开发相应的格式转换算法,将矢量文件转化为可以用于深度学习的真值图标签,同时将遥感图像进行了切割和数据增广,最终构建出了可以用于深度学习训练的大型遥感图像语义分割数据集。(2)本文通过对经典语义分割网络FCN、U-Net、Deeplabv3+进行分析和对比,并在此基础上提出了改进的U-Net模型,将扩张卷积的概念融合到了 U-Net中,将U-Net中的转置卷积上采样替换为无参数的双线性差值上采样,从而在降低参数量的基础上使模型精度达到了和DeeplabV3+同一水平,提升了模型训练和预测的速度。(3)本文设计并实现了基于语义分割的智能遥感解译平台。利用TensorFlow构建了深度学习模型,通过Django和Vue等web框架实现了遥感解译平台。针对耕地、自然资源、道路和房屋四种类型的遥感图像,本平台实现了数据上传、数据预览、自动解译、结果预览、结果下载等功能,本平台还支持历史任务的查看和下载。最后,本文对智能遥感解译平台进行了系统测试和界面展示。