随着遥感技术的快速发展,我们可以获取到越来越多纹理细节清晰、光谱特征丰富的高分辨率遥感影像,如何有效利用这些含有丰富信息的遥感影像,已经成为研究的热点。传统的机器学习方法对高分辨率遥感影像特征分析和特征提取的过程有一定的复杂性,不能够对空间结构与物体边缘特征信息进行有效的处理,有显著的局限性。而深度学习打破了传统的机器学习方法的局限性,可以对纹理、空间结构与光谱等高维度信息进行特征提取,并应用在语义分割中的自然灾害监测、城市规划、土地覆盖监测等领域。本文主要采用深度学习模型,对高分辨率遥感影像的语义分割问题开展以下几个方面的研究与探索:(1)提出一种改进的反卷积网络模型,该模型将编码结构与解码结构对应特征层连接,能够更深层次对样本空间结构与边缘等特征信息进行提取。在马萨诸塞州建筑物遥感影像数据集上使用该模型进行实验,结果表明,改进后的模型比其他经典的语义分割网络模型像素精确度高出了 3%～6%。(2)深度学习卷积神经网络模型需要大量的数据进行训练。当前遥感影像存在数量多但标注少的问题,导致深度学习网络模型训练困难。本文设计的数据预训练模型,在不改变原有数据的基础上,通过对遥感影像进行翻转、剪裁、仿射变换与弹性变换等操作来扩充数据,实现输入数据的动态加载,来避免网络模型过拟合。此预训练模型在DeeplabV3+上运用,取得了良好的效果。(3)本文使用focalloss损失函数优化DeeplabV3+网络模型,并结合预训练模型进行数据扩充,进而提升网络模型的准确率。DeeplabV3+运用多尺度方式在每个尺度的特征图上进行空洞卷积,然后将这些特征图进行连接,并在Xception结构中使用可分离卷积进行优化模型。实验结果表明,优化的DeeplabV3+模型能够对样本边缘和空间特征进行有效的提取,提高了遥感影像的分割效果。