遥感影像包含了地面植被覆盖信息,地面温度信息,城乡分布信息等信息,对于指导地表宏观性研究具有重要意义。遥感影像语义分割技术是对遥感影像的每一个像素进行分类,是遥感影像理解与分析中重要且基础的一环,就具有极高的研究价值。卷积神经网络的最新发展已经实现了遥感影像的在语义分割方面的扎实进展,但是现有卷积神经网络结构设计没有充分考虑到遥感影像图像的数据特征,且网络结构的获取需要研究人员通过不断的实验获得,分割精度与网络架构设计效率有待进一步提高。因此本文基于卷积神经网络进一步研究遥感影像分割任务,主要研究内容如下所示:(1)为解决现有基于卷积神经网络的遥感影像分割方法没有充分考虑到遥感影像图像的数据的特征,导致的小物体分类不良和边界不清晰的问题。本文提出了一种改进的语义分割神经网络,该网络采用空洞卷积,全连接融合路径和预训练编码器来进行遥感图像的语义分割任务。空洞卷积的使用在改善道路水等小型物体的分割效果,全连接融合路径通过跳转连接提供更多的底层信息流。在训练阶段实现了基于深度学习框架Tensorflow实现BN层的跨卡同步。实验结果表明,改进的神经网络架构增强了遥感图像分割结果,达到91%的分类精度,并且提高了对小物体的识别精度。(2)虽然上述方法进一步提高了遥感影像分割精度,但是需要大量实验不断验证,效率低下。结合图像信息的多尺度表示在高分辨率遥感影像分割任务中的重要性,本文进一步提出基于可微分多尺度架构搜索的遥感影像分割方法。该方法首次将网络架构自动搜索扩展到遥感影像分割领域,实现了遥感影像分割网络的自动设计,解放人力与计算资源,大大提高遥感影像分割效率。该方法根据先验知识定义可行的搜索空间,并将搜索空间连续化,基于梯度下降算法训练搜索出适用于该遥感影像数据集的网络架构,然后在新的数据集中训练模型获得网络权重。实验设计部分,从网络自动搜索花费时间与模型性能两部分进行评估本文提出方法,结果表明架构自动搜索相较现有搜索方法在时间与计算资源上下降三个量级,更加高效,搜索出的模型性能优于人类设计的多尺度架构,并在数据集上表现出最优秀的性能,mIoU系数达到78%。