遥感图像的海陆分割是海岸线信息提取的一项基础性工作。高分辨率遥感图像成像质量高,具有地物纹理信息丰富、覆盖范围广、重访时间周期短的特点,在农业、林业和环保等领域被广泛应用。对高分辨率遥感图像进行高效准确的像素级海陆分割,对海岸线动态变迁监测、岸线岸滩宏观变化趋势分析等研究开展具有重要意义。传统海陆分割方法对高分辨率遥感图像进行海陆分割时,忽略了相邻像素间的关系以及上下文语义信息,容易导致盐田、养殖池塘等沿海水体及泥沙浓度较高的海水的误分类,当海陆对比度不够大时,容易出现海陆边界分割模糊的现象。针对上述问题,本文提出一种基于残差结构和空间金字塔池化的深度神经网络方法RSNet。RSNet方法采用编解码结构和端到端的方式实现高分辨率遥感图像海陆分割。RSNet主要有两个创新之处:1)针对盐田、养殖池塘等沿海水体及泥沙浓度较高的海水的误分类问题,RSNet使用本文提出的优化的残差卷积块(Optimized Residual Convolution Block,ORC_Block)提取图像细节和语义信息。优化的残差卷积块通过引入批量归一化操作和双重跳跃连接,缓解梯度消失现象,加快网络收敛速度,提升网络学习与泛化能力,改善对沿海水体等的误分类现象。2)为了得到更加准确的海陆分割边界,RSNet在传统的编解码结构基础上,增加了实现多尺度特征融合的中间层,其核心结构为本文提出的基于空间金字塔池化的多尺度特征融合块(Multi-scale feature fusion block,MF_Block)。MF_Block可以将编码器不同层次语义特征信息融合,改善上采样操作难以恢复特征图细节信息的问题,同时可以通过扩张空间金字塔池化获取全局上下文信息,充分学习高分辨率遥感图像的海陆特征,得到清晰准确的海陆分割边界。为了验证本文提出的海陆分割方法的有效性,论文使用了 2017-2019年12幅高分一号(GF-1)卫星拍摄的中国江苏省连云港市海岸带遥感图像作为训练和测试图像。实验结果表明,本文提出的RSNet方法可以有效改善沿海水体、港口等地物的误分类问题,并使海陆分割边界更加准确。与NDWI等传统图像分割方法及PSPNet、SegNet等目前先进深度学习方法相比,RSNet在海陆分割任务中具有更优的分割表现。