在地球观测卫星逐步投入使用后,通过高分辨率遥感图像进行土地覆盖分类的技术开始问世。历经过数十年的发展,陆地遥感卫星图像的土地覆盖分类方法已经日趋完善。随着近几年遥感技术的发展,高分辨率遥感图像已经投入到土地覆盖分类的应用中。如今,针对高分辨率遥感图像的土地覆盖分类方法面临着如下的问题:一方面,传统的土地覆盖分类方法无法处理高分辨率遥感图像中呈现的丰富细节信息;另一方面,不同区域的遥感图像会有不同的成像条件,这造成了遥感图像的失真等问题,现有的方法难以提供泛化性能良好的解决策略。针对上述的问题,本文提出利用语义分割技术实现土地覆盖分类。本文的解决方案是利用深度学习网络进行语义分割,该方案的具体工作如下:1.为了缓解语义分割中存在的类内不一致问题,本文提出了归整分割网络。其中的门控融合模块不仅融合了浅层空间特征和深层语义特征,它还过滤了多层特征中的无效信息和矛盾信息。之后的通道注意力模块又对融合后的特征进行了更加深入的校准。2.从广义上而言,语义分割可以看作是一种确定不同语义实体边界的算法,语义分割任务中的类外混淆正是由于边缘信息不足造成的。本文提出边缘信息网络用以缓解类外混淆的问题。边缘信息网络利用改进的轻量残差模块用来融合边缘特征,边缘信息网络的损失函数有上采样损失和边缘特征输出的辅助损失构成,它们是加权相加的。