遥感图像分割是理解遥感图像的基础,在防灾减灾、环境治理以及城市规划等领域有着重要作用。在过去,人们常常使用与图像分割有关的传统方法来处理遥感图像。传统的图像分割方法不管是在分割的精度还是分割的效率都是很低的。近年来,随着深度学习在计算机视觉领域的广泛应用,尤其卷积神经网络的在提取特征的显著优势,使得图像在分割的速度和精度上都得到了很大的提升。同时,基于深度学习的模型可以实现便捷的端到端的训练学习。因此,研究并设计用于遥感图像分割的深度学习网络具有重要意义。本文所做的工作如下:1.简要地概述了遥感图像分割的研究背景、意义以及国内外研究的现状并对现有的遥感图像分割方法做了分类及总结。然后,详细阐述了深度学习和图像分割的理论知识,以及经典的基于卷积神经网络的图像分割模型。2.编解码的网络结构是一种典型的基于深度学习图像分割模型。在编码部分,包含了卷积、池化等操作。其中,池化本质上是一种信息的采样。通过下采样可以对图像压缩,进一步提取图像的高级语义特征。但存在采样后的信号,可能完全退化为不同形式,我们称这一现象为混叠。这会造成网络在解码端在对图像细粒度的细节信息无法重建。为此,提出在下采样前插入低通滤波器层,自适应处理图像的前景、背景信息,以减少下采样带来的混叠效应。此外,在编解码结构中,跳跃连接将编码器与解码器相连接,在一定程度上减少了由于下采样带来的细粒度空间信息的损失。但忽略了不同层级的特征的融合,可能存在的语义上的间隙。本文在跳跃连接中引入残差融合模块,它能优化网络训练,同时减少不同层级的特征语义差异。3.上下文信息对于图像的分割至关重要,尤其是在有着较大尺度变化的遥感图像中。上下文信息的获取是基于多尺度的特征。在编解码结构的中间部分,采用具有不同膨胀率的空洞卷积构成的并行模块提取特征的多尺度信息并整合与目标有关的上下文信息。此外,由遥感图像的较大的背景类内差异以及前景和背景的不平衡问题,使得多尺度的信息存在一定的冗余信息的干扰。本文利用注意力机制能够抑制冗余信息的干扰,突出对目标的有用的特征,在上下文信息提取模块后引入自注意力引导模块。在Deep Globe Road Extraction和Inria Aerial Image Labeling数据集上测试,验证了所提方法能够改善分割的效果。