无人机由于其成本低、机动灵活、应用方便等特点,已经为不同领域的研究提供了支持。在农业领域,利用无人机航拍获得的农田场景图像具有分辨率高、细节特征多的特点,相比卫星遥感图像而言,其能更加清楚的反应农田地表情况。利用深度学习的方法对无人机农田场景图像进行精准的语义分割,能实现图像的有效解读,可以为作物监测、科学灌溉等方面的研究提供重要支持。本文针对无人机农田场景图像的背景复杂、特点,对现有的经典语义分割模型进行了改进,使其能够更加有效的分割无人机农田场景图像。主要研究工作如下所述:（1）筛选Aeroscapes数据集中的农田场景图像。并对筛选出的数据进行旋转:90度,180度,270度,将原图和标注图沿垂直方向做镜像等数据增强操作。（2）对Unet、PSPnet、Deep Lab V3+等经典语义分割模型在无人机农田场景下的应用进行了对比和分析。在此基础上使用残差结构优化Unet模型的编码器结构,搭建了基于全残差结构的Res-Unet模型和部分残差结构的M-Unet模型等,并对改进后的各类模型分割结果进行对比和分析。实验结果证明加入部分残差结构的M-Unet模型能够提高无人机农田场景图像的分割效果。（3）借鉴Unet不同维度特征级联的方式,改进了PSPnet语义分割模型在无人机农田场景下的性能。首先,通过不同维度特征级联,在强化场景解析的基础上保留更多图像细节特征。其次,利用深度可分离卷积模块构建轻量级语义分割模型,使其更加高效。最后,优化激活函数,提升模型分割效果。实验结果表明,改进后的模型平均像素准确率和平均交并比分别为89.48%和82.38%,比改进前的模型提高了18.12%和18.93%,且分割结果优于Unet和Deeplab V3+等模型,能够有效进行无人机遥感农田场景语义分割。本文提出的M3-Unet和U-PSPnet两种方法均取得了较好的分割效果。利用本文提出的方法对无人机农田场景图像进行语义分割,可以取得较好的效果。本文为基于深度学习的语义分割技术在农田场景中的应用提供了新的选择。