遥感图像精细化地物要素分类在石油勘探开发、土地制图、城市建设和规划、农业发展、地物要素占比统计等应用中发挥着关键作用。目前高分辨率遥感图像地物分类任务尚存在如下问题:小地块分割缺失,地块边缘分割模糊以及细条状的道路、河流分割间断、不完整。本文针对上述不足进行研究,主要工作和创新点如下:1.针对为改善小目标与目标边缘分割提出的多尺度共享网络语义分割方法存在训练复杂度高,以及尺度注意力图在小目标与目标边缘处拟合不佳问题,提出面向语义分割模型的外接多尺度投票网络。该方法直接投票融合各尺度分割结果,降低训练复杂度,然后采用多类别投票方法扩大投票空间,再融入混合池化,聚合近程与远程权值,并通过类内、类间投票注意力,获取权值与类间关系,最后采用不规则卷积辅助目标边缘拟合。在标杆语义分割Cityscapes数据集与高分遥感数据集（GID）中的实验表明,在Deep Labv3+分割模型基础上,提出的方法与共享网络相比,m Io U比多尺度共享网络分别提高了0.63%、0.69%。在可视化的投票权值图中,也显式的证明了尺度间的分割效果差异。2.针对现有基于卷积神经网络的语义分割方法感受野一般为方形,难以适用细条状的道路、河流等目标分割,加上细条状目标在遥感图像中所占的比例较小,极易丢失细条状目标特征,使得细条状目标分割不连续、不完整问题,设计了一种高分辨率与像素关系强化注意力的强融合网络。首先,设计了一种高分辨率融合整体网络框架,保持与原图像相同分辨率的特征图,可以最大限度地减少多次下采样操作造成的细条状目标纹理信息损失。然后引入像素关系强化与双通道注意力模块,探索和整合细条状目标像素之间的全局相关性及强调与抑制不同的通道维度。最后通过构建一个新的异分辨率强融合模块,更充分的融合不同分辨率的特征图。在遥感Aerial Image Segmentation与GID数据集中,m Io U分别达到了79.05%、64.46%,与Deep Labv3+网络相比,分别领先了2.54%、2.08%。在道路与河流类别中,更是分别领先了2.86%与3.97%,与其他先进技术相比,具有更出色的道路、河流提取精度。3.基于上述算法,本文设计并实现了遥感图像地物分类辅助石油钻井前期选址系统。通过自动分割出遥感图像中各个地物类别,加快了地质研究人员在遥感图像中进行石油钻井的前期选址速度。本文方法将部分难以用肉眼发现的小、细条状地块进行有效分割,辅助地质研究人员辨认,可降低错标与误标的几率,具备实用价值。