遥感图像语义分割作为重要的计算机视觉任务,其任务是在高维特征图上提取语义信息,在像素级别上对汽车、建筑、道路、树木等物体进行密集预测,常应用于地质探勘、辅助地图绘图等现实场景。在过去几年,基于CNN（Convolutional Neural Network）的遥感图像语义分割方法提升不大,其问题可以归纳如下:首先,CNN会在卷积、池化过程中丢失部分细节,导致深层特征图缺乏足够信息恢复图像信息;其次,CNN提取的特征具有局部性,导致像素与像素之间缺乏上下文联系;最后,浅层特征和深层特征提取的信息不尽相同,而许多语义分割方法未能有效利用这些信息。为此,本文分别提出了基于Transformer的编码器、基于非局部操作的双路空间注意力解码器和多尺度特征融合模块缓解上述问题,具体如下:（1）设计基于Transformer的编码器和空间注意力模块。Transformer模型是一种基于自注意力机制的深度学习模型,其通过比较序列间的注意力得分捕获上下文关系。然而,面向遥感图像语义分割的Transformer在最近才受到关注。为了填补这一空白,本文设计了基于Swin Trasformer的语义分割编码器,先将区域像素视为词向量,对图片进行展平;其次,对展平的图片执行窗口多头自注意力操作;然后,通过移动窗口实现跨区域的多头自注意力操作,扩大模型感受野;最后,使用图块合并对特征图进行下采样操作,再假设位置与位置之间存在直接关联性,使用基于非局部操作的单路空间注意力机制,提取像素间的相似关系。（2）设计基于非局部操作的双路空间注意力解码器和多尺度特征融合改良方法。在卷积神经网络中,由于池化层等常见操作只有有限的感受野,无法对远处像素建立上下文关系。为了解决该问题,本文对单路空间注意力解码器进行改进,利用双路分支为每个相对位置进行注意力建模。另一方面,在遥感图像语义分割网络中,浅层网络特征虽然包含更多细节信息,但缺乏语义相关性,而深层网络特征的全局信息表达能力更强,但缺乏细节。为了有效利用各层信息,本文基于特征金字塔网络,在编码器和解码器之间,设计了一种多尺度特征融合模块,通过多次1×1卷积和上采样操作,融合不同尺寸的特征图,有效建立了特征图的内在联系。在实验部分,使用两种不同的数据集对提出的模型进行验证,然后将该模型与一些主流遥感图像语义分割方法进行对比,以验证Transformer在遥感图像语义分割任务的可行性、双路空间注意力模块的有效性以及多尺度特征融合模块的必要性。实验结果表明,本文提出的网络在性能上不亚于基于传统CNN的遥感图像语义分割方法,在分割小物体上比大部分方法更好。