高分辨率遥感影像成为了人类对地观测的重要窗口。遥感影像的语义分割通过为图像每个像素分配语义标签完成对目标的分类和识别,是遥感影像理解的重要手段之一,在地物变化、城镇变迁、灾难救援等中得到广泛应用。由于高分辨率遥感影像具有空间分辨率高、地物种类复杂、类内差异大等特点,导致传统方法下语义分割精度较低。随着深度学习在图像分类、目标检测等视觉任务展示出来优异的性能,近些年,使用深度学习方法进行图像解译和视觉分析的研究越来越多。深度学习突破传统方法需要人工参与设计特征的思想,从大量图像数据中自动学习特征信息,为遥感影像语义分割的研究带来了新的思路。本论文基于卷积神经网络,对高分辨遥感影像的语义分割开展了相关的研究工作。通过研究和分析深度学习技术及常见语义分割模型特点,构建了一个基于双注意力多尺度特征融合的网络模型。该模型主要有以下几个特点:针对高分辨遥感影像细节多,在编码部分,采用ResNet50提取特征,并在ResNet50最后两阶段使用了空洞卷积方式,在保持参数量不变的情况下增大感受野,捕获更多全局信息;针对目标尺度差异变化,在ResNet50各阶段分别引入金字塔池化结构,充分利用多尺度上下文信息;在特征提取的输出特征后引入双重注意力模块,对空间和通道维度上的语义依赖关系建模,增强特征表示能力;在解码部分,从注意力模块输出特征开始,逐步融合编码部分各层级特征信息完成解码,精细化目标分割边缘。针对遥感影像特征复杂、分辨率高、地物尺度差异较大等特点,本文采用CCF遥感影像数据集对所提方法进行实验分析。首先分别对金字塔池化和双重注意力进行消融实验,结果表明引入金字塔池化结构,能更好地分割尺度差异较大的地物,对道路、水体等多尺度目标的分割表现良好;引入双重注意力模块,对水体等小目标区域的分割和噪声干扰方面得到了一定改善作用。本文所提方法与FCN、SegNet、U-Net模型进行了比较,实验结果表明,本文所提方法语义分割效果良好,能完整的对目标进行分割,噪声较少。