高分辨率遥感图像在军事、民用等领域具有良好的应用前景。在环境灾害监测,林业,农业种植和城市规划中发挥着巨大作用。当前主流的基于深度学习的方法虽然大大的提高了遥感图像语义分割的算法性能,但是当遇到分割对象是尺度较小且纹理复杂的地物时,仍然存在难以分辨的问题,并且大量的细节信息也会对训练过程带来了一定的干扰,从而降低了分割算法的效率和精度。本文以高分辨率遥感图像语义分割为研究对象,主要分析研究如何精准提取遥感图像中小尺寸地物目标,通过将网络设计为可以学习到不同尺度的特征,由此来保证对于不同尺度的目标,网络均能得到很好的识别。因此,本文提出了两种方法,分别对全要素的遥感图像和单目标的遥感图像进行识别。两种方法总结如下:（1）针对于全要素遥感图像目标尺度差异大的情况,本文提出了一种多层级特征优化融合的遥感图像分割网络（Multi-level Feature Refine and Fusion Network,MRFNet）着重将不同层级的特征图进行融合,针对于特征传递的部分,设计了一种多尺度编码解码特征优化模块对卷积神经网络提取到的特征进行细化,优化了对高分辨率遥感图像中地物目标提取效果。（2）针对遥感图像中的道路目标,本文提出了更加适合对道路进行学习的长卷积组合模块,通过对卷积核尺寸进行调整,选用多个符合道路细长特征的长方形卷积核进行堆叠以此来实现对道路特征进行提取提取,由此优化了多层级特征优化融合的遥感图像分割网络对于道路目标的分割能力。最后,在Vaihingen、Potsdam和CHN6-CUG数据集上与经典的语义分割网络模型进行实验对比,验证了本文所提出方法能够较好地解决小尺寸目标分割不佳的问题,具有较好的创新性和应用价值。