当前遥感影像采集技术突飞猛进,遥感影像的语义分割(即逐像素分类)对于实现土地测绘、城市管理、环境监测等应用的智能化和自动化有着重要意义。近年来深度学习技术兴起并在图像识别应用中被广泛应用。相较于传统基于人工制定规则的算法,基于深度学习的遥感影像语义分割具有特征提取能力强、泛用性和稳定性高等特点,大大提升了影像识别的准确率。然而当前基于遥感影像的语义分割方法大部分延伸自然图像处理中所广泛采用的模型,很多方法没有针对遥感影像的特点进行优化,实用性和准确率都有较大提高的空间。为此,本文针对遥感影像的语义分割问题,从遥感影像的数据特点出发,通过一系列预处理方法规范和扩充样本,并设计了两套侧重点不同的卷积神经网络(CNN)模型。主要研究工作及创新点如下:1)基于土地利用情况,人工标注及创建了北京市土地利用数据集的部分数据标注图。针对此数据集以及本文所采用的两个公开数据集,设计实现了一套数据预处理和数据增广方法,以规范化和扩充样本,减小训练过拟合问题。2)针对大尺寸遥感影像的分割问题,提出一种双阶段多尺度的卷积神经网络模型。该模型通过对缩放图像的特征学习,可显著扩大网络的有效感受野,并通过多层级特征聚合恢复图像空间细节信息。在北京市土地利用数据集和ISPRS Potsdam数据集上的实验显示,该方法有效提高了分割精度,并发挥了提高训练稳定性的作用。3)针对高分辨率影像的分割问题,提出一种多尺度多通道上下文信息聚合网络。该方法将计算机视觉领域的最新架构高分辨率网络(HRNet)引入遥感图像处理中,通过四个不同分辨率的并联支路学习不同层次特征,并设计和引入了适应于不同分辨率的上下文特征聚集模块。通过多通路的特征融合,该方法最大程度利用了遥感影像丰富的空间信息。通过在ISPRS Potsdam和Vaihingen数据集上的实验验证,证实了本文方法显著提高了分割结果的精度。总结而言,本文针对遥感影像语义分割问题,从数据预处理、卷积神经网络架构设计和卷积模块设计均作出了贡献,推进了语义分割算法精度和稳定性的提高。本研究所存在的局限性在于对数据规模和准确性的依赖较高,需在今后研究中进一步改善。