遥感图像的语义分割是遥感图像处理中的一种重要方法,它能为后续的图像识别和场景理解提供必要的基础。遥感图像分辨率大且场景比较复杂、目标尺寸差异大和存在易混淆的物体,这些都会给分割的任务带来更多的挑战。针对上述的这些问题,本文的主要研究内容如下:（1）提出了基于多尺度自适应权重信息流融合算法（MWFNet）用于遥感图像语义分割。为了解决遥感图像的目标多样性和尺寸差异大的问题。提出多尺度编码模块,使用5个不同尺寸空洞卷积和常规卷积并联提取5个不同维度的特征。将5个不同尺度的特征按通道组合并与自身特征相加尽可能获取各个尺度的特征,从而缓解遥感图像中目标尺寸差异大的问题。在解码阶段,提出了基于权重的信息流融合的解码模块。将逐层连接和跨层连接按照权重进行融合,这样既能充分利用高层的信息流也能够避免过多特征融合造成信息流的冗余,从而使得分割结果更加准确。实验结果表明MWFNet的分割性能优于其他算法。（2）提出了基于多尺度自适应特征融合算法（MANet）用于遥感图像语义分割。为获取多尺度的语境信息和高效融合高层和低层语义信息以解决遥感图像中目标尺寸差异过大的问题。多尺度语境提取模块采用两层5种不同扩张参数的空洞卷积和全局平均池化并联作用于特征图上,生成不同尺度的语境信息并将多尺度的语境信息按通道进行组合。此外,为了增强特征融合的效果,将通道注意力机制嵌入到低层和高层的语义特征融合中。首先,将低层与高层的特征组合并通过全局平均池化获取每个通道的全局特征。其次,将获取的全局特征作为通道权重经过全连接层自适应学习获取每个通道的权重信息。然后,将获取的每个通道权重作用于高层与低层融合的特征,对每个通道的特征按照权重进行调整达到高效融合的目的。实验表明MANet算法分割性能优于其他算法。（3）提出了基于HRNet的自适应信息增强算法（AIENet）用于遥感图像语义分割。该算法包括自适应空间信息增强模块和自适应通道信息增强模块。自适应空间信息增强模块通过特征图的转置与特征图进行矩阵的相乘然后使用softmax得到特征的归一化信息加权图,特征的信息加权图转置与特征图进行矩阵相乘,能够使得特征图中的任一位置捕获到全局信息的依赖关系。最后将这个特征加权和加权的原始特征相加得到最终的输出。自适应通道信息增强模块,使得特征更加关注一些有用的通道信息,选择忽略一些无用的通道特征。实验表明AIENet算法分割性能优于其他算法。