无人机遥感具有自主性强、操作简单、响应快速等优点,广泛应用于资源调查、城市规划、突发事件处理等多个领域,其遥感图像处理是其关键技术与研究热点。针对遥感地物感知分析,本文开展了基于场景分析的遥感图像分割和语义标注方法研究,研究成果以及创新点如下:1、综述了遥感图像分割与语义标注研究的基础理论方法,重点阐述了传统的基于聚类思想的图像分割方法,以及基于深度学习的图像分类及语义标注的理论方法及其相关应用案例。2、采用Ncut图像分割原理,提出了一种基于SLIC超像素与图论Ncut结合的图像分割方法。用SLIC超像素算法将图像划分成多个区域,采用图论Ncut方法计算两个超像素间的相似度来判断其归属性,对超像素区域进行聚类;最后用层次区域合并法对聚类后的区域进一步合并,能够实现复杂图像的区域分割。实验证实比较Ncut算法,本文方法减少了分割时间,同时也提升了分割效果。3、针对遥感图像的道路标注,研究了基于DeepLab V3+改进的道路提取方法,结合DeepLab V3+网络中空洞金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)的优点以及U-Net融合浅层特征的优点,并通过结合DICE loss和BCE loss损失函数,可以很好解决二分类样本不均衡的问题,在谷歌地图数据集中道路提取有更好的分割结果。4、针对遥感图像中多类地物标注中,深度神经网络训练存在的样本不均衡问题,多次采用ASPP模块融合多尺度特征,损失函数采用加权交叉熵损失,并根据训练样本中样本的比例来确定权重,能解决模型倾向于样本多的类别拟合的问题。通过对CCF竞赛数据集和实采数据集实验分析,本文提出的Multi-ASPP效果优于DeepLab V3+。5、设计GUI界面展示系统,可进行人机交互式的遥感影像分割以及语义标注。通过界面调用遥感图像分割方法、训练好的语义分割模型来进行图像的测试,在界面上展示出结果;并能分析遥感图像中包含地物所占比例,以及模型对各类地物的预测精度及交并比;通过人机交互纠错与保存处理,在界面中加入画刷人工微调标注,可以实现半自动的遥感图像标注工作。