随着航天航空技术的飞速发展,高分辨率遥感图像获取越来越便捷,如何利用语义分割技术从大量数据中获取地表信息,自动识别图像中的各种地物,对土地资源的规划和管理意义重大。传统的图像语义分割,准确率较低,分割时效较差,无法满足大数据时代的应用需求。近年来,基于深度学习的语义分割技术大力发展,能够应用更深的网络,解决图像分割领域内更加复杂的问题。本文以提高遥感图像语义分割精度为目标,提出了以Unet为基础进行改进的语义分割模型,具体研究内容如下:（1）以Vaihingen遥感图像作为数据集,通过设置等步长的滑动窗口对图像裁剪,使其尺寸能够满足训练要求。针对数据集样本类别不平衡、规模小的问题,采用旋转、缩放、翻转等几何变换,加噪、调整亮度、滤波等像素变换,以及过采样等方式,对数据增广,增强数据集的多样性和完备性,提高模型泛化能力。（2）在应用Unet和Seg Net网络进行地表覆盖遥感图像语义分割研究的基础上,本文基于Unet模型提出了D-Unet模型,该模型通过引入残差块加深网络,提取包含丰富信息的高级语义特征,获得更为复杂的遥感图像地表信息。同时,在网络底层引入深度可分离卷积,缓解因网络加深而引起的参数剧增问题。（3）针对遥感图像中低矮植被等大范围小目标的物体,以及内部目标尺寸大小不一问题。在D-Unet底层引入多孔空间金字塔池化,提出D-AUnet模型,充分融合语义信息和位置信息。为了克服网络多次池化,导致分辨率迅速下降,丢失过多细节信息问题,本文采用stride为2的深度可分离卷积代替最大值池化,提出D-A-DUnet模型,实现分辨率的逐层下降,进一步提高分割精度。实验结果表明,本文提出的改进的语义分割模型在Vaihingen数据集上取得了较好的分割结果。