20世纪以来,随着卫星和计算机硬件设备的飞快进步,我国逐渐具备先进的高分辨率对地观测和星间互联通信能力。运用先进的光学仪器和电学仪器,遥远的感知目标物体的某种特性,该技术在各个领域上应用广泛。由于遥感设备发达,对于一些复杂环境或者特定地形,通过摄影或者扫描的方式,及时穿透并采集肉眼无法看见的电磁波波段,对变化的目标昼夜实时监管并且分析采集来的数据,可以获取到多样性、综合性的信息。语义分割作为遥感领域重要的图像解析技术,对于社会发展、技术演进和自然探索也有着不可比拟的优点。由于地势复杂多变,硬件设备存在不足,给远距离探测增加了困难,所以传统的遥感图像分割往往存在分割不准确的问题。如何精准提取遥感图像中每一类的所有像素成为近年来的一个重要研究课题。本文对平衡遥感图像语义分割领域中精度和速度的研究取得了一定的进展,研究并提出了两种改进的网络模型,具体内容和创新点如下:（1）为了侧重性地学习遥感图像特征信息,故融合了注意力机制。在典型的语义分割模型ICNet中的不同位置引入位置注意力模块和通道注意力模块的不同组合,并在ISPRS数据集中的Potsdam和Vaihingen上进行对比实验,通过实验表明,改进后的网络分割效果更佳,并与经典网络模型进行对比,在相同数据集上使用相同评价指标证明了改进后网络模型分割准确度有所提高。为了进一步验证学习率对分割效果的影响,分别在不同学习率下进行实验,对比其值在实验过程中对硬件设备的要求、模型收敛速度,以及分割准确度的影响。（2）为了解决现有网络模型无法更好地捕获特征信息、感受野较小、所需关系不匹配等问题,以Deep Lab v3+网络为基础,改进基础网络,并引入多尺度融合策略捕获上下文信息,构建了一个面向遥感图像的多尺度融合语义分割模型。在ISPRS数据集中的Potsdam和Vaihingen上进行对比实验,结果表明其分割效果更佳。为了进一步验证此模型性能的改善,在相同数据集上与经典网络模型使用相同评价标准进行比较。通过实验表明,改进后的网络模型提高了分割准确度。本文通过对上述两种网络模型,在大型、公开的ISPRS遥感图像数据集Potsdam和Vaihingen上进行了实验,验证了本文设计方法的可行性及有效性。