高分辨率遥感影像具有丰富的地物形状、纹理等细节信息,从中获取到的地物分类信息可以广泛应用于农业、环境和灾害等诸多方面。然而,影像分辨率的提高增大了场景复杂度、数据量和类内差异,这使得传统的严重依赖人工设计的特征并且不考虑高级语义信息的遥感影像分类方法不能快速准确地从高分辨率遥感影像中获取地物分类信息。因此,有必要研究适用于高分辨率遥感影像的快速准确分类方法。深度学习技术能准确、高效地提取图像的深层语义特征,已成为高分辨率遥感影像语义分割（即分类）的一种重要方式,但仍然存在一些不足之处:目前的深度学习高分辨率遥感影像语义分割模型主要分为两类,即U型结构模型和空洞FCN结构模型。U型结构模型通过逐级降低特征图的分辨率来提升模型的推理运算速度和减少计算量,但这种方法会降低模型的精度,而精度较高的空洞FCN结构模型通常又具有较多的计算量和较慢的推理运算速度。两类模型不能做到分类速度、精度和计算量之间的平衡。此外,现有的深度学习模型需要大量的有标签训练样本才能得到较为理想的结果,不能充分利用无标签样本。针对上述问题,本文开展了以下工作:（1）通过对U型结构模型和空洞FCN结构模型的模型结构的深入研究,分析归纳了两种模型各自的优势和不足,找出了U型结构模型的语义分割精度低于空洞FCN结构模型的原因。（2）针对U型结构模型中相邻层特征不能对齐和融合感受野有限这两个问题,本文分别提出了特征对齐模块（FAM）和多尺度融合模块（MSFM）,并在此基础上构建了一种能够平衡速度、精度和计算量的高分辨率遥感影像语义分割模型—DFDNet模型。（3）基于UAVid数据集,对DFDNet模型中的各个模块进行了详细的消融实验,并与UNet、PSPNet、Deep Labv3和OCNet模型在影像语义分割精度、速度和计算量等方面进行了详细的对比,最后在Vaihingen和Postdam数据集上进一步验证了DFDNet模型的有效性。（4）针对深度学习高分辨率遥感影像语义分割模型过度依赖于大量有标签训练样本的问题,本文将DFDNet模型和生成式对抗网络相结合,并引入半监督训练方法,构建了一种高分辨率遥感影像半监督语义分割模型,最后在Vaihingen数据集上验证了半监督语义分割模型的有效性。通过上述研究得出:本文提出的DFDNet模型的计算量是空洞FCN结构模型的1/4,运算速度空洞FCN结构模型的2倍,对高分辨率遥感影像进行语义分割的精度与空洞FCN结构模型相当,甚至高于空洞FCN结构模型,验证了本文方法的有效性。当采用1/2、3/4和7/8的无标签训练样本（另外的1/2、1/4和1/8为有标签样本）对半监督语义分割模型进行训练时,得到影像语义分割的精度依次是76.08%、74.67%和69.99%。如果只采用有标签样本进行模型训练,当采用样本数的比例为1/2、1/4和1/8时,得到影像语义分割的精度依次是73.96%、71.05%和67.63%,明显低于加入无标签训练样本的分割精度。这表明半监督语义分割模型可以充分利用无标签样本来补充有标签训练样本,从而缓解深度学习高分辨率遥感影像语义分割对有标签训练样本的依赖。