卫星遥感是人们观察地表情况的重要手段。随着我国高分卫星观测能力的不断提升,高分辨率遥感影像数据量大幅增长,如何精确快速地提取地表覆盖物已经成为研究热点。大部分地表覆盖物分类研究的类别较为笼统,缺少面向复杂细分类别的研究工作。深度学习是目前计算机视觉中最热门的方法之一。深度学习中的神经网络具有极强的非线性拟合能力,能够从影像中学习及抽取高维特征并匹配多种视觉任务,大幅提升了这些任务精度。研究者引入卷积神经网络针对高分影像进行了一系列研究,包括场景分类、像素分类、目标识别与检测等。本文针对高分辨率遥感影像中的像素点级分类任务进行研究,从而实现精准的地表覆盖物区域分割。实验选择高分二号卫星的四米多光谱数据,将地表覆盖物划分为细致的15分类。在多种经典的语义分割网络的基础上,通过修改骨干网络来提升特定模型的特征提取能力。结合实验结果,进一步提出预训练初始化方案,并选择U-Net神经网络针对遥感影像特征进行优化,提高了地表覆盖分类提取精度,为精细化处理高分遥感影像提供技术基础研究。在网络结构与训练方法上,改进如下:(1)优化U-Net骨干网络结构,使用SE-ResNeXt-50作为编码模块增强特征提取能力。(2)结合迁移学习思想,使用更贴近本文遥感影像特征的场景分类数据进行分类网络的预训练,获取骨干网络初始化权重,并通过权值共享方式提升分割模型整体性能。(3)提出了一个改进的双督促U-Net语义分割模型,融合了骨干网络督促输出及金字塔池化模块,结合定制化的损失函数,有效提升高分辨率遥感影像地表覆盖物分类表现。实验结果表明,本文提出的方法在GID数据集15分类数据上取得了更优的性能表现,在独立划分的测试集中F1-score为0.8046,FWIoU为0.6798,Kappa系数为0.7352。