随着航空航天技术的迅猛发展,各类遥感平台日益增多,对遥感图像的高效处理并获取有效信息成为遥感领域需要迫切解决的问题。遥感图像的有效分割,作为遥感图像处理的重要研究内容,对遥感技术的发展起到了重要推动作用。基于深度学习的方法,可提取的图像特征由浅入深,可实现从颜色、位置等浅层特征到抽象的类别特征,即语义信息的有效获取。因此,利用深度学习在语义层面对图像进行分割,成为目前图像分割的研究热点。本文以地物遥感图像作为研究对象,使用Labelme软件制作语义分割标签,并对数据集进行增强处理。利用Deeplab V3+网络框架实现对地物遥感图像的语义分割,并基于跃层特征融合的解码区结构和通道注意力机制对Deeplab V3+网络进行优化。本文的主要研究工作如下:(1)遥感地物图像语义分割数据集的构建。本文选择的遥感地物图像来自AID数据集,设定语义分割的目标类别为9类。利用Labelme软件手动标注,获取语义分割标签图。同时,将数据集分为训练集和验证集,利用旋转变换、明度变换等方式分别对两个集合进行数据集增强,完成语义分割数据集的制作。(2)基于Deeplab V3+网络的语义分割训练。基于语义分割训练集,利用Deeplab V3+网络进行语义分割训练,其中,特征提取网络为Xception模型中的Xception＿65和Xception＿71两种结构。同时,根据图像语义分割精度评估指标——MIo U(平均交并比)进行分割精度评估。评估结果表明,以Xception＿71作为特征提取网络的Deeplab V3+的分割效果更优。(3)Deeplab V3+网络的优化设计与实现。由于Deeplab V3+的解码区为两个4倍上采样结构,能进行融合的浅层特征有限,因此,本文利用跃层特征将其它不同深度的浅层特征融合,并细化上采样,优化解码区的结构。同时,在解码区特征通道融合之前,利用通道注意力机制模块优化特征图。测试结果表明,两种优化模块的引入,在一定程度上,可实现对Deeplab V3+网络的优化。综上所述,本文基于遥感地物图像并通过手动标签标注构建了语义分割数据集。基于Deeplab V3+网络实现了遥感地物图像的语义分割,利用跃层特征融合和通道注意力机制对Deeplab V3+网络进行优化,研究结果可为遥感地物图像的处理与应用提供技术支持。