高分辨率遥感影像的地表覆盖分类是当前研究的热点问题。随着航天技术和计算机软硬件的飞速发展,高分辨率遥感影像的数量和质量都有了极大的提升,使用传统方法提取遥感影像地物信息已逐渐无法满足如今大数据时代的要求。深度学习算法在处理图片、语音和视频等方面展现出了先进性,不仅在计算机视觉领域,同样也在人机交互领域发挥着越来越重要的作用,创造出了大量的成果并在实际中得到了广泛应用。卷积神经网络是深度学习的主要方法,具有多层的卷积结构,卷积提取到的信息经过反复的正向传播和反向传播进行学习,可用于分类、检测和分割。相比传统方法,深度学习在进行大规模数据处理时具有更大的优越性和更广的普适性。近年来,深度学习算法已被证明是一种强大的图像分析工具,并且在高分辨率遥感影像的应用上取得了丰硕的成果。但目前在遥感影像地表覆盖分类方面仍存在以下问题:遥感影像地物信息轮廓复杂、类型较多,浅层次模型无法精确提取地物信息;“同物异谱”和“同谱异物”体的干扰容易产生误检;样本严重不均衡导致的次优化。本文将基于深度学习的语义分割算法应用于高分辨率遥感影像地表覆盖分类任务中,主要工作如下:（1）梳理传统方法和深度学习方法在高分辨率遥感影像地表覆盖分类研究的发展现状,分析传统方法在解决这一问题上存在的不足,总结深度学习方法与之相比具有的高效性、便捷性和目前此方法现存的缺陷,以此为依据提出基于深度学习算法的高分辨率遥感影像地表覆盖分类方法。（2）介绍了本文实验所使用的数据集来源、类型、特征、数量和各类型地物的像素数量统计。为反映地表信息的真实性和提升模型的鲁棒性,对数据集进行的数据预处理和数据增强操作。（3）经典语义分割模型U-Net最早应用于医学影像二分类问题,为解决遥感影像的多分类问题,提出一种基于U-Net的改进模型:增加网络深度,利用残差网络防止模型出现过拟合;加入卷积注意力模块（CBAM）,提升不同层次特征对冗余信息的过滤;通过添加多空间空洞卷积融合模块,获得丰富的上下文信息,增强感受野,提高模型的检测精度;嵌入语义增强模块,将深层次的特征与浅层次的特征融合,充分利用不同层次的语义信息;使用GDL和Dice Loss组成的损失函数,缓解类别数量极度不均衡带来的问题。（4）对改进后的U-Net进行对比实验,说明实验环境、参数配置、评价指标等。首先对比分析不同损失函数在测试集上的效果,显示本文使用的损失函数能够在处理类别数量极端问题上带来提升;其次利用Grad-CAM进行梯度可视化实验,验证了本文模型在预测过程中梯度较为集中;最后使用改进的模型与其它经典模型在两个数据集上的测试结果进行对比,对分类结果进行定量和定性分析说明所提模型的优越性。