随着遥感技术的快速发展,遥感影像的获取已不再是困难,遥感数据的质量和数量都呈指数增长。高分辨率遥感影像的语义分割通过对遥感数据进行加工利用,已经成为人类对地观测的重要手段。近年来,深度学习技术在很多计算机视觉任务取得了优秀的成绩,利用深度卷积神经网络进行图像分割也成为学术界的研究热点。相比于手工提取特征的传统图像分割算法,基于深度卷积神经网络的方法具有更强的特征提取能力,在普通自然图像的分割任务中已经展现了优越的性能。然而,遥感影像和普通自然图像存在巨大差异,遥感影像中土地覆盖类别高度不平衡,大目标类别在分割任务中占据主导地位,小目标常常被抑制;而且高分辨率遥感影像存在多种尺度的目标,能够充分识别各尺度下的目标一直是遥感图像分割领域的研究难点。针对上述问题,本文对高分辨率遥感影像的特征进行深入分析,围绕高分辨率遥感影像中类别不平衡问题及多尺度目标分割问题展开研究,实现了良好的分割效果。本文的主要研究工作如下:（1）针对高分辨率遥感影像语义分割任务中类别不均衡问题,本文提出了一种基于中值频率平衡加权的焦点损失函数MF_loss,该损失函数首先计算训练样本类别频率的中值与目标类别频率的比值,然后利用该比值对焦点损失函数进行加权,抑制训练过程中大目标类别的主导作用,增强小目标的分类效果。（2）为了提高高分辨率遥感影像分割效果,本文提出了一种融合多层特征的长短连接网络。该网络具有对称的编码、解码结构,通过构建连接卷积层的短连接模块在下采样阶段提取特征、在上采样部分稠密化特征,并且解决随神经网络加深出现的梯度消失问题。利用长连接操作融合编码网络和解码网络对应部分的特征图像,将浅层特征图包含的细节信息和深层特征图包含的抽象信息进行融合,与U-Net相比,LSCNet具有较好的整体分类效果,尤其是小目标类别得到显著提升。（3）为了进一步提升图像分割效果,本文针对多尺度分割模型展开研究,提出了多尺度并行长短连接网络,该网络设计了一种由多分支空洞卷积并联而成的并行短连接模块,每个分支的空洞卷积具有不同的空洞率,而且模块包含的分支数根据网络需要有所调整。不同空洞率的空洞卷积可以在扩大感受野的同时捕获不同尺度感受野的特征。同时在网络中引入改进的金字塔池化模块,聚合不同尺度的上下文信息,提高网络利用全局上下文信息的能力,进一步提高网络的多尺度分割性能。