随着遥感技术的快速发展,遥感影像数据形式越来越多样化,其所包含的信息也越来越丰富,具有重要的研究价值。而遥感影像分割作为遥感影像处理中重要的一项技术,已经被广泛应用于军用侦察、地质勘测、地图重建以及地质灾害预防等领域。近年来基于深度学习的遥感影像分割方法取得了一定的突破,但仍然存在目标边缘分割不连续及部分目标预测得分不精确等问题,本文针对这些难点问题,从网络结构设计方面做出了相应的改进以提高分割的精确率,并从二维图像的研究拓展至三维点云影像的研究,本文的主要研究内容如下:1、提出了一种基于边缘注意力和深度评估网络的图像实例分割方法。针对主流网络架构在实现图像实例分割任务中存在不精确边界框和实例边缘分割不完整的问题,设计了一种全卷积深度评估网络用以精确检测目标和有监督的边缘注意力模块用以加强目标边缘特征。并在全卷积深度评估网络中加入了评估分支,用以学习目标特征与预测边界框之间的联系,为分割任务提供了一个高质量的边界框。边缘注意力模块通过加强边缘特征及抑制背景噪声从而得到了更好的边缘分割效果,进而提高了整体实例分割的精度。对于网络模型结构的设计给出了详细的分析,并在实验中验证了各模块的有效性。在遥感影像数据集iSAID及自然影像数据集MS COCO上的对比实验均说明了提出方法的可行性与鲁棒性,使用该方法可以获得更好的分割效果。2、提出了一种基于精细上采样和多尺度空洞卷积网络的图像语义分割方法。编码器-解码器网络结构已经被广泛应用于图像语义分割任务,但其在下采样过程中会导致特征信息丢失。针对这个问题,通过使用多尺度空洞卷积网络维持了深层特征图的空间分辨率,且聚合了具有不同感受野大小的特征图,获得了更加全面的语义特征信息。并使用了一种精细的上采样结构网络,对于分割网络模型输出结果中评分较低的不确定像素点进行进一步特征学习及精细地分割,从而提高了整体图像分割的精度。并在遥感影像数据集US3D及自然影像数据集Cityscapes上进行了对比实验并可视化了各模型的分割结果,所提出的方法对比于各基准网络在两个数据集上均取得了最优的性能表现,验证了该方法的有效性与鲁棒性。3、提出了一种基于多尺度嵌套深度融合网络的三维点云影像分割方法。为了更加充分地提取并利用点云的浅层及深层语义特征,效仿编码器-解码器网络结构,设计了一种以PointNet++为基础的多尺度嵌套深度融合网络。在各点集聚合模块后均使用了特征传播模块。为了缩小语义鸿沟现象,使用长短跳跃连接将具有不同层级特征的特征图进行聚合。针对三维点云影像中数据极不平衡的问题,设计了一种变权的交叉熵损失函数。并使用栅格地图的方法对网络模型预测结果中的误分类进行纠正。对于网络模型结构的设计给出了详细的分析。最后在城市遥感数据集US3D上进行了对比实验,对网络结构进行了消融实验,实验结果表明所提出的方法要优于同类型方法。