遥感影像的分类工作一直都是处理遥感影像的重点工作,获取遥感影像中所包含的地物类型分布信息具有很强的现实意义,而传统的人工解译的方法需要耗费大量的人力物力,效率低下。近年来,卷积神经网络在处理遥感图像分类任务上得到了广泛应用,其效果相较其他分类方法效果更加显著,但是由于不同地区的地物类别数据分布不均衡等原因,同一模型在不同地区的预测效果有较大差异,为了更好的研究近年来环巢湖区域的土地利用类型分布情况,本文利用采集到的环巢湖区域遥感图像制作数据集,通过对比常用的语义分割模型,并选取其中效果最优的模型对其进行改进,最后利用其对环巢湖3千米区域的遥感影像进行解译。文章的主要工作如下:（1）构建了环巢湖区域遥感图像数据集。本文使用Google earth下载巢湖流域的遥感图像,利用Labelme软件对图像进行标注,结合巢湖区域土地利用类型的实际情况,将图像划分为农田、植被、水体、道路、建筑、其他六种类型,并对图像进行数据增强处理。（2）开展了不同分割网络之间的对比实验。本文共选取了四种常见的语义分割网络进行训练。包括PSPNet网络、Deep Lab V3网络、UNet网络和DeepLabV3+网络。利用精度评价指标F1-score和平均交并比MIo U对分割结果进行评估。模型的训练效果从高到低依次为:DeepLabV3+网络的MIo U值为0.9,F1-score值为0.92,UNet网络的MIo U值为0.87,F1-score值为0.90,Deep Lab V3网络的MIo U值为0.81,F1-score值为0.87,PSPNet网络的MIo U值达到0.76,F1-score值为0.83,结合测试图片的预测效果得出结论,在此数据集上DeepLabV3+网络的分割效果最佳。（3）提出了一种融合卷积注意力机制模块（CBAM）的DeepLabV3+语义分割模型。通过在原有的DeepLabV3+模型的ASPP上并联一个卷积注意力机制模块,对特征图的位置和通道特征进行强化,最终在环巢湖区域遥感图像数据集上的MIo U值达到0.92,比基础的DeepLabV3+提升了2%,F1-score提升了3%。其对细小目标预测结果更加精细,错误分类情况也得到了有效减少。（4）以改进后的模型作为系统的核心模块,开发了web端遥感图像语义分割可视化界面,并对环巢湖自然保护区的遥感图像进行分割,得出了2010-2020年间保护区内各土地利用类型的占比分布情况。