近年来,航空航天技术飞速发展,地空天一体化的对地观测网络正逐步形成,与此同时,获得的高分辨率遥感图像也越来越多。高分辨率遥感图像包含丰富的地理信息,对其进行特征提取和图像理解,在城市建设、精准农业等众多领域中都有广泛的应用。语义分割对图像中的每个像素点进行分类,是对遥感图像进行处理的常用方法之一。以全卷积网络为代表的深度学习模型是语义分割领域常用方法。但由于网络设计固有的结构特性,将其应用在语义分割领域出现了新的问题。例如,对图像下采样会使图像细节特征丢失,造成图像边缘附近误分类较多,降低模型的分割能力。此外,空洞卷积在提取多尺度特征时,也会出现远距离信息相关性不足等问题,导致目标物体的错误分类。本文在现有模型的基础上,通过边缘检测与语义分割模型的融合,继续研究提升遥感图像语义分割的效果。本文的主要研究内容如下:（1）针对图像局部细节丢失问题,本文提出了Segnet-edg网络,在编码-解码结构Segnet网络的基础上,增加了一个单独的处理分支来学习边缘信息。具体来说,增加了边缘网络专门学习图像的边缘信息,并利用边缘特征细化分割特征提升网络的效果。网络层次较浅,具有计算量小、存储代价小的优点,适合处理数据量适中的数据。（2）面对规模较大,目标物体较复杂的数据时,可以利用空洞卷积学习多尺度信息。有时因为空洞卷积的卷积核参数间距过大,会造成提取的远程信息不相关,卷积退化等问题。本文以Resnet为主干网络,提出E-ASPPnet网络,在原有ASPP模块的基础上增加边缘特征为全局信息对多尺度信息进行补充,增强信息的相关性,同时也可以提升模型在边缘附近的聚合能力,提升网络的分割效果。为了验证模型的效果,本文在ISPRS Potsdam和ISPRS Vaihingen两个数据集上对进行实验,并和一些经典的语义分割模型进行比较。实验结果表明,增加边缘特征后,基于Segnet的双路网络对比其基线模型在效果上有一定的提升,分割能力也优于其它类似深度的语义分割网络。在ASPP模块中增加边缘特征作为图像级信息后,模型对高分辨率遥感图像也有了更好的分割能力。