城市土地分布信息的获取一直是遥感技术应用研究的一个重要方向,在获取城市土地信息时,可以使用语义分割作为解析图像场景的方法,通过对图像中每个像素标注其对应的语义标签,在完成图像的像素级分类的同时也对目标进行了分割。由于卫星遥感图像的获取时间周期长,容易受到自然环境的影响,而无人机是低空拍摄,具有机动性强、获取图像分辨率高、成本低等优点,因此本文使用无人机获取遥感图像,对基于深度卷积网络的无人机地物场景语义分割技术进行研究。首先详述了无人机遥感图像语义分割的目的和意义,在查阅近几年与遥感图像语义分割技术相关的国内外文献基础上,总结了传统图像分割技术的研究现状,介绍了深度卷积神经网络各个组成部分的基础理论知识,同时介绍了几种典型的卷积神经网络模型。然后对无人机图像数据集的建立和半自动标注算法进行研究。研究分四部分进行:(1)为了解决图像数据集的问题,使用大疆无人机晓SPARK拍摄城市的高空地物场景图像并结合在大型真实场景的3D建模游戏GTA5中采集的图像;(2)使用归一化方法对图像进行预处理,预处理后对图像中的建筑、车辆、草地、道路、树木和水源这六种类别进行标注;(3)提出基于PolygonRNN++网络的半自动标注方法;(4)将标注好的数据整理成标准数据集的格式,对整理好的数据集进行数据增广。其次对基于深度卷积网络Deeplabv3+的无人机图像语义分割进行研究。通过对深度卷积网络Deeplabv3+的剖析,该网络采用编码-解码器结构,编码器中包含骨干网络和ASPP模块,模块中的卷积使用了空洞卷积和深度可分离卷积,解码器由几个简单的卷积操作组成,之后对迁移学习进行介绍,采用二次迁移学习对网络进行训练,将Deeplabv3+网络训练、一次迁移训练和二次迁移训练这三次训练结果进行了实验对比。最后实验分三部分进行:(1)经过实验测试得出使用半自动标注方法、平滑处理以及手动微调使得最终的标注结果与人工标注结果几乎一致,并且在标注时间上缩减许多。(2)使用Xception-65和Mobilenet-v2两种骨干网络进行对比实验,通过对比实验结果得出Xception-65的测试精度要高于Mobilenet-v2的测试精度。(3)基于Xception-65骨干的Deeplabv3+网络采用迁移学习进行训练,实验过程记录了网络损失函数曲线,对比迁移前后的测试精度,迁移后的测试结果精度有所提高。通过测试得到分割图像,统计图像中参照物的像素数目,得出图像空间解析度,计算各个目标的覆盖面积,从而了解城市土地的分布情况。