随着深度学习技术的发展,卷积神经网络已广泛应用于各类图像处理研究中用于提升图像识别性能。遥感图像语义分割作为遥感图像识别领域中重要的环节,目前也逐渐开始采用深层次的网络模型进行优化,提升图像分割精度。然而,遥感图像语义分割任务复杂,遥感图像数据集紧缺,面临着诸如小目标丢失、不同类别边缘粗糙等问题。对此,本文通过分析现有的深度学习模型特点,探索不同深度学习模型对遥感图像语义分割方法提升的性能程度,提出了两种优化模型,并针对湖南省郴州市地区的遥感图像进行了多种不同语义分割模型的对比实验:1.本文提出 了基于 DenseNet(Densely Connected Convolutional Networks,DenseNet)的密集全卷积网络DFCN(Dense fully convolutional network,DFCN)遥感图像语义分割。本文通过用DenseNet来代替经典语义分割模型全卷积网络FCN(Fully Convolutional Network,FCN)的特征提取模块,提出了密集全卷积网络DFCN。此外,为了优化遥感图像分割的边缘信息,调整了 FCN中的跳跃连接结构。实验结果表明,DFCN的分割精度可达到91.5%,其中对于遥感图像中林地类别的分类准确率达到了 92.9%,与现有的语义分割模型相比性能有一定提升。2.本文提出了基于残差学习的RUnet(Residual Unet,RUnet)遥感图像语义分割。原始的Unet由于在以VGG为基础架构提取特征,存在网络加深带来训练困难的难题。为了进一步减少Unet的参数量和计算量,加深网络的深度,从而提升遥感图像的语义分割精度。本文基于残差学习的思想,提出了 RUnet模型。在相同数据集下,与各项语义分割模型对比,RUnet所需训练和测试时间最少。并且相较于原始Unet,RUnet分割精度提高了 1.67%。因此也能证明在语义分割模型中引入残差学习思想的有效性。3.本文主要基于郴州市地区的高分辨率遥感图像数据集进行了多种不同深度学习模型的语义分割实验对比。本文遥感数据集主要针对林地、河流、建筑等典型区域进行了标注。由于郴州市具有典型的中国南方地理地貌特征,林地面积占比高,因此针对该遥感数据集进行语义分割研究具有一定应用价值。