高分辨率遥感影像地物分类是根据影像的特征信息,按照一定的规则或算法,为图像的每一个像素添加一个地物类别标签的过程。及时准确地获取地物分类结果对于土地规划、经济预测等应用领域具有重要的意义。随着遥感影像空间分辨率的不断提高,影像内包含的地物特征更丰富、细节更复杂,且存在地物分布不均衡、不同地物边缘易重叠、纹理细节难以分辨等问题。针对目前高分辨率遥感影像带来的技术难点,文章基于深度学习对地物分类技术进行研究,具体研究内容如下:（1）高分辨率遥感影像地物提取方法的研究。针对高分辨率遥感影像地物提取时背景复杂,噪声干扰多的问题,提出一种基于注意力机制的高分辨率遥感影像地物提取方法（Ground feature extraction based on attention mechanism,GEAM-Net）。该方法基于编码器-解码器结构,并使用预训练的VGG-16网络作编码器,同时在编码器顶层引入位置注意力模块和通道注意力模块,从空间和通道两方面加强有效特征之间的联系,同时抑制干扰信息,以解决遥感影像背景特征信息冗杂、且对待提取地物造成干扰的问题;解码器为上采样操作,并通过跳跃连接结构融合编码器的特征信息。最后以建筑物和道路两类地物为例,通过地物提取结果证明GEAM-Net的地物提取效果。（2）高分辨率遥感影像地物分类方法的研究。针对基于U-Net编码器-解码器结合跳跃连接的方式在结合深层语义信息与浅层位置信息时受限的问题,提出一种基于U-Net的特征融合网络（Feature Fusion Network,FFNet）。该网络基于U-Net跳跃连接结构,提出一种融合-优化-再融合的策略充分融合上下文信息,同时利用空洞卷积和Sub-Pixel卷积层扩大感受野,并引入多层感知机学习融合过程,以平衡地物识别与定位的关系,提高地物分类精度。实验表明,相比传统U-Net模型,该方法在相关数据集的测试中评价指标均有提升,得到了更好的分类结果。（3）高分辨率遥感影像地物分类方法的研究。针对厘米级分辨率遥感影像类间同质性和类内异质性问题,提出基于双向融合的多分辨率网络（Bidirectional Fusion Multi-resolution Network,BF-MRNet）。BF-MRNet以HRNet模型为基础,保持高分辨率分支的同时,实现多分辨率支路并行;添加双向融合特征金字塔模块,实现双向信息流的融合,为HRNet提供额外的语义特征;使用CARAFE内容重组感知结构代替双线性上采样,更有效的完成上采样操作。经过ISPRS数据集证实BF-MRNet能缓解遥感影像中的类内异质性和类间同质性问题,提升分类精度。