燃气管道附近的建筑物、构筑物、施工现场等会造成燃气隐患,人工巡检是目前排除燃气隐患的主要途径之一。近年来,随着硬件的发展,GPU在矩阵运算领域的处理速度进步明显,大数据时代可利用的数据也越来越多。在这两者的推动下,深度学习在突破理论上的瓶颈后得以快速发展,由深度卷积神经网络的计算机视觉研究日益增多,其中基于遥感图像的相关研究不在少数。采用基于深度卷积网络的图像分割方法对遥感图像中的建筑物、构筑物等类别进行识别,再结合管线信息确定隐患的位置,便可有效提升燃气隐患的巡检效率和检测精度。因此,本文的主要工作是研究对遥感影像中燃气隐患相关对象的图像分割,主要关注其中的建筑物类别。本文对遥感图像中建筑物类别的语义分割和实例分割两个方面进行了研究。首先,本文基于DeepLabv3+网络,提出了在遥感图像数据集上拥有更好表现的语义分割网络;并在得到语义分割结果的基础上,借鉴了 TernausNetV2的主要思想,将语义分割网络经过转换变成实例分割网络,并在此基础上进行了网络模型的改善。实验证明,相比起TernausNetV2,在SpaceNet遥感图像数据集上改进后的网络取得了更好的精度。本文的主要工作可概括如下:1.本文基于DeepLabv3+语义分割模型,对基于遥感图像的建筑物语义分割的精度进行了提升。本文通过在编码器和解码器之间增加更多的跳跃连接,使网络的解码器端能够充分利用编码器端的信息,使解码器端的高层语义特征与编码器端更多的边界、位置信息融合,最终使语义分割网络得到了更精确的分割边界。本文提出的新模型在SpaceNet数据集上的表现相对于DeepLabv3+在交并比指标上有约1.39%的提升。2.本文借鉴了 TernausNetV2的思路,即在得到语义分割的结果后,经过一系列计算能够直接得到实例分割的结果。本文把这些计算融合进神经网络,使实例分割的整个流程都能够参与神经网络的迭代。在SpaceNet数据集上,新方法的实例分割效果超过了 TernautNetV2算法,F1值约有1.31%的提升。为了进一步提升性能,又将基于建筑物语义分割结果的分水岭变换改成了基于语义分割和原遥感图像多尺度形态学梯度的分水岭变换,最终F1值共提升了 1.49%。经过在遥感图像数据集SpaceNet上反复实验,本文提出的DeepLabv3+优化语义分割网络取得了优于对比算法的实验结果;并以更好的语义分割网络作为主干结构修改了实例分割网络,使其具有更好的分割能力,最终较原始的TernausNetV2算法在F1值上有3.65%的提升。