遥感技术的日益成熟、遥感成像方法的发展完善,使得遥感影像的数量及质量都得到了较大提升,同时遥感图像分割是实现细粒度地物识别应用、土地资源管理检测等工作的基础。高分辨率遥感影像逐渐成为科研工作中进行地表检测及地物数据处理的重要信息来源,具有所含细节信息丰富、地物复杂度较高、成像光谱段多等特点,对其进行分割难度更大。同时由于遥感图像数量及其分辨率的增加,在包含复杂地物信息的高分辨率遥感图像的分割上精度不高、分割效果较差且传统分割方法所需人力成本较高的问题,使得传统的阈值分割、人工提取等方法的分割效果无法满足后续研究的需要。目前深度学习技术得到了长足发展,其中神经网络算法以其自动化、智能化的优越性能逐渐应用到图像处理、机器视觉等方面,包括遥感信息处理工作当中。针对高分辨率遥感图像中具有较为复杂的地物信息、导致对其进行分割难度较大的问题,文章进行了研究分析,重点工作包括以下内容:(1)针对数据集量较小且标签较弱的问题,对原图像及数据标注图像进行增强。通过一定步长的图像切割使数据集达到适于训练尺寸,并通过改变原图像和标注图像的对比度、同步镜像翻转、随机旋转以及平移变换等操作达到数据集的增广效果,同时对数据集进行重采样,避免了由于弱标签小数据集导致的训练过拟合以及训练集数据分布不均衡,保证验证集精度和分割效果。(2)针对高分辨率卫星遥感图像所含地物信息较为复杂(如路网、水体、山地、植被人造建筑等)、地物类别分布不均、部分地物尺度较小、分类边缘难以区等问题,提出一种改进的对称编解码网络结构SegProNet,实现端到端像素级分类、定位,编码器部分提取图像特征,解码器实现特征图分类图映射并将编码器所学习得到的不同类别特征映射到像素空间。利用池化索引与卷积融合语义信息及图像特征,选择性丢弃池化降低图像空间信息损失,实现对细节地物特征的精确提取;通过在编码器、解码器的连接处设置1×1卷积构建Bottleneck层,进一步加深网络提取特征的同时降低模型训练的参数量从而提升了网络训练速度;编码结构逐步加深过滤器深度构建端到端分割网络,同时改进激活函数进一步提升了网络性能。(3)实现SegNet、U-Net等多个分类模型的训练,并改进SegProNet激活函数,引入非负指数项提升静默神经元对模型整体精度的影响;经过模型效率分析做出特征细化,将已训练的多个分类学习器进行模型融合,针对分类预测图像样本进行自主采样,实现对分类结果的逐像素级别多分类器投票,即综合每个学习器的输出结果,将某一类别得到最多判定概率为输出分割结果,对多分类器的分割结果进行集成优化,以提高模型泛化能力。并对SegProNet在高光谱数据集上的分割性能进行了迁移测试,为适应像素区域块作为训练样本,在深层网络采用Valid卷积以减小过滤器移动范围,并将分割结果与传统的高光谱图像分割算法进行对比,进一步验证了该网络的先进性。