随着遥感技术的飞速发展,其越来越多的被应用在国防安全、国土规划、农业和金融等多种领域。对遥感图像进行合理有效的土地覆盖类型识别是诸多应用的基础。应用特征提取与分析的图像处理手段进行土地覆盖类型识别面临着图像特征提取复杂、缺乏泛化性和成本较高等缺点。近年来伴随着深度学习的发展,语义分割技术带来了一种研究土地覆盖类型识别的新视角。深度学习针对大数据自动学习特征,在语义分割的一些应用中取得了出色的成绩,但是仍存在部分问题:模型参数量大,不利于在多种场景下进行模型迁移;现存的语义分割结构对土地覆盖类型识别任务缺乏针对性,对不平衡数据集中的小数据类别识别效果较差。针对上述问题,本文对基于深度学习的土地覆盖类型识别进行研究,主要工作和创新点如下:(1)本文基于深度学习理论搭建了针对土地覆盖类型识别任务的训练和识别框架。设计研究了框架中的图像预处理、模型训练和对网络预测结果的图像后处理的具体步骤。通过实验对比确定适合于土地覆盖类型识别任务的损失函数。本文框架的搭建为网络改进提供支持。(2)针对应用于土地覆盖类型识别的语义分割网络Link Net参数量较大的问题,本文提出一种减少参数量的轻量化模型。本文使用Res Ne Xt替换Link Net原编码器部分中的Res Net网络,并在此基础上将Res Ne Xt建筑区块中的分组卷积内部的普通卷积替换为深度可分离卷积,提出Sep-Link Net模型,减少了参数量。实验表明,相比于Link Net,Sep-Link Net在保证网络精度没有减低且在评估指标MIo U、MPA上分别有2.89%和3.01%提升的前提下,减少了5.9%的网络参数量,是一种针对原模型的有效轻量化模型。(3)针对原应用于场景解析任务的PSPNet在土地覆盖不平衡数据集小类别识别中存在的效果较差的问题,本文提出一种改进模型。本文在PSPNet结构上引入编码器-解码器结构,并在解码器部分对原反卷积网络进行改进,提出ED-PSPNet模型,提升了模型在小类别的识别效果。实验表明,本文提出的模型在土地覆盖不平衡数据集的评估指标MIo U、MPA分别有1.68%和2.19%的提升,并在数据集中数据量最小的5个类别相比PSPNet均有所提升,是一种针对土地覆盖不平衡数据集中小类别识别效果有提升的有效改进模型。