语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。深度学习方法是目前高分辨率遥感图像语义分割的研究热点。本文基于深度学习方法,从三个方面针对高分辨率遥感图像的语义分割问题进行了研究。首先,现有基于深度学习的语义分割网络会导致遥感图像的高频信息损失,边界分割不准确。针对此问题,设计一种双解耦语义分割网络模型,将提取的两级特征分别解耦为具有高频特性的边界（Edge）特征和具有低频特性的主体（Body）特征,并将解耦后的Edge和Body特征图进行融合,从而改善高分辨率遥感图像语义分割性能。进一步提出了一种顾及Edge和Body的损失函数,对地物要素及其边界和主体部分进行优化学习。其次,针对卷积运算捕获全局特征表示方面的局限性的问题,设计一种基于Swin transformer的编解码结构的高分辨率遥感图像语义分割模型,在编码器阶段将Swin transformer模型作为骨干网络提取全局特征,为了得到多尺度的高层语义信息,在编码器阶段结合空洞空间金字塔池化模块来获得多尺度语义特征,来减轻由于下采样和后续上采样引起的部分信息丢失现象。在解码器阶段利用跳跃连接的方式融合低层和高层特征来丰富特征的空间信息,进而提高高分辨率遥感图像的语义分割精度。最后,针对基于深度学习的遥感图像语义分割任务中需要大量的标签数据问题,设计一种基于无监督多级域适应的高分辨率遥感图像语义分割模型。针对目标域和源域的多级特征分别使用不同的方法减小域之间的差距,并利用不同的损失函数对模型进行优化学习。在两个高分辨率遥感影像数据集上进行实验,与现有的语义分割网络模型结果对比,证实了本文方法的有效性。