遥感图像中包含丰富的地理空间信息,从遥感图像中了解这些信息对城市规划、地形图的制作和更新、林业资源监测和管理等具有重要的实用价值。近年来,遥感图像语义分割受到人们广泛关注,由于图像的成像过程会受到距离、光照、地理位置、拍摄角度等影响,遥感图像中不同类别的物体可能会产生相似的视觉特征,同一类物体则可能存在较大差异,这就导致遥感图像语义分割存在不确定现象。卷积神经网络凭借其高超的非线性表征能力,能从海量样本数据中学习到更深层次、更本质性的特征,已被广泛用于遥感领域。本文主要研究了卷积神经网络在遥感图像语义分割中的应用,重点解决分割任务中由遥感图像固有不确定性引起的分割问题,提升遥感图像语义分割性能。具体研究工作概括如下:（1）针对遥感图像分割中存在的阴影干扰,分割不准确,背景信息复杂问题,提出了一种模糊邻域卷积神经网络。首先,将模糊学习的思想引入到深度学习中,利用模糊邻域模块计算样本间的模糊相似度,改善类内异质与类间复杂造成的分割结果不准确问题,提高分割准确度。其次,增加一组注意力门控模块,该模块采用融合深浅特征的权重系数,突出特征图中目标物体,将目标物体与复杂的背景信息分离,实现遥感图像的精细分割。最后,在三个遥感数据集上进行有效性验证。结果表明,提出的模糊邻域卷积神经网络具有较高的分割精度。（2）针对遥感图像分割中尺度信息复杂和物体纹理相似问题,提出一种模糊多尺度卷积神经网络,深入探讨基于卷积神经网络遥感图像分割方法。首先,为了增加对不同大小和形状物体的敏感性,利用残差并行分支获取各阶段的多级语义信息。然后通过计算像素样本间的模糊相似度,减少不确定因素对遥感图像分割精度的干扰。随后,在网络结构中嵌入多尺度特征提取模块,通过控制接受域大小,对高级语义特征图进行有效编码,丰富最终特征表达能力。最后,在两个遥感数据集上进行实验验证。结果表明,所提出的网络得到了更好的分割结果。