近几年来,很多国家为了抢占“制空权”逐渐增加了人造卫星的发射数量。而遥感是获得“制空权”的重要技术手段,通过搭载在卫星上的传感器,实现了远距离目标的成像。为了体现遥感图像的价值,需要对其进行关键信息提取。而遥感图像语义分割是遥感图像信息提取的重要前提。目前,遥感图像语义分割的研究都普遍趋向于与深度学习技术相结合。虽然,这些研究与传统的算法相比分割效果有所提升,但是大多数的研究都不太成熟,其分割准确率与运行时效无法将它们进行大规模部署和在实时环境下应用。本文将以深度学习技术为基础,继续探究基于深度学习的遥感图像语义分割。主要研究内容包括:(1)考虑到基于深度学习的遥感图像语义分割中的训练数据都是靠大量的人工标注,而且目前尚无一个大规模的带有标注的公开数据集供研究使用,本文提出使用损失敏感条件生成对抗网络作为架构,借鉴U-Net网络编码器-解码器的结构与跳跃连接构造了UED生成器,以此构建LS-CGANs算法进行遥感图像增广。(2)针对分割地物类别在遥感图像上分布不平衡,不同分割目标边缘易重叠,个别分割目标尺度较小,纹理细节难以分辨等问题,对在生物细胞分割上表现良好的U-Net网络模型进行改进,通过批归一化,反卷积和跳跃连接等优化策略构造了Meu与Mdu,并且改用SeLU作为激活函数,提出了改进的U-Net算法,该算法在保证了小样本训练的前提下提升了分割准确性。(3)图像语义分割是像素级的,面对过于精细的标签遥感图像数据,训练出来的模型脆弱,泛化能力差等问题,在此将U-Net与SegNet进行融合,提出了DUSegNet算法,通过把卷积操作改为空洞卷积,保留了更多原图像细节信息,进一步提升模型的分割准确率。实验表明,本文提出的LS-CGANs算法能有效进行遥感图像数据增强。改进的U-Net算法在小样本数据集上具有较高的分割准确率,最后提出的DU-SegNet算法保证了小样本的训练优势,且分割准确率达92.45%,具有很强的实用意义。