航空影像语义分割是国土资源智能普查、智慧城市规划、农作物病虫害预防和监测、灾后救援和灾后重建等领域重点关注的新技术之一,航空影像语义分割的相关研究工作意义重大。不同种类的目标地物在目视解译时较好区分,但由于航空影像成像模态多、具有不同的分辨率、同种目标地物存在不同的尺度,导致海量的影像解译工作始终存在挑战。随着深度学习的快速发展和计算机性能的快速提升,越来越多的学者以深度学习为基础对航空影像进行处理,并获得了较好的效果。因此,本文以航空影像语义分割领域常用的监督和半监督网络为基础,对已有的半监督网络结构进行优化,将常用的监督、半监督和改进后的网络用于城镇地区的航空影像和校园实景进行语义分割,从而对网络的分割性能进行评价,并对网络参数的组合进行优化。目前的半监督语义分割方法Semi-CCT中编码器的标准卷积感受野较小,导致航空影像的多尺度语义特征信息捕捉不够全面,降低了航空影像语义分割的精度,分割效果未达到预期。本文以Semi-CCT网络为主要架构,在Semi-CCT网络的深度残差层末端嵌入结合Atrous卷积的多尺度模块以替换部分标准卷积,通过链接多尺度模块中不同采样率的Atrous卷积得到的特征图以扩大目标地物感受野,减少编码器和解码器之间的语义鸿沟。该模块能够获取目标地物不同尺度的特征,有利于实现像素级别航空影像目标地物的高精度、高效率分割。为了对所提网络模型的性能及普适性进行验证,以航空影像作为训练数据源制作像素级标签并进行数据增强,对常用的FCN＿8S、UNet、Deep Lab V3+监督网络和DCCNet、BAS~4Net、Semi-CCT半监督网络与本文所提网络进行定量和定性分析,其中定量分析是通过语义分割领域常用的精度评价指标进行精度评估来实现;同时,以拍摄于国外城市的无人机影像和校园实景影像数据作为验证数据,进行网络普适性实验。实验结果表明:（1）通过定量分析可知,对于航空影像数据集,所有目标地物的平均交并比较基线、监督方法和半监督方法平均分别提升0.96%、2.48%和3.72%,且在较少标签的情况下较对比网络能获得更高精度,对于无人机影像数据集,所有目标地物的平均交并比较基线、监督方法和半监督方法平均分别提升0.78%、1.67%和1.07%;（2）通过嵌入结合Atrous卷积的多尺度模块能够显著提升目标地物的交并比指标值,且目标地物的边缘由“锯齿状”向平滑转变;（3）所提网络对国内外航空影像数据、无人机影像数据和校园实景数据上的差异化目标地物均能较精确、高效地分割,证明所提网络结构对不同尺度和不同类型的目标地物均表现出鲁棒性,且在分辨率和来源均不同的数据集上具有一定的泛化能力。