无人机遥感具有成本低、获取数据快、分辨率高和实时性强等特点,已成为获取高分辨率遥感影像的重要手段之一。目前高分辨率遥感影像被广泛应用于军事和民用等领域,在城市规划、国土资源规划等方面发挥重要作用,现阶段如何充分利用高分辨率遥感影像实现对地智能观测变得尤为重要。近年来,基于深度学习的语义分割技术逐渐被应用于遥感土地利用分类、建筑物提取等方面,并取得一定成果,但仍存在数据集匮乏、分割精度低、模型计算量大等问题。针对目前高分辨率遥感影像语义分割中存在的上述问题,本文做了以下工作研究:（1）建立高分辨率无人机遥感影像标注数据集。针对目前语义分割数据集匮乏的问题,本文借助无人机遥感技术,获取研究区高分辨率无人机正射影像图,在利用QGIS对其进行切片的基础上,通过EISeg标注软件制作研究所需的无人机数据集。最后对无人机数据集分别从图像几何变换和图像像素变换两方面进行数据增强处理。（2）为了解决模型中存在的分割精度低、细节信息丢失等问题,本文在Deep Lab V3+模型的基础上提出了Deep Lab V3+＿CMASPP模型。该模型以Res Net101作为主干特征提取网络,并将CBAM注意力机制加入到Res Net101网络的第一层和最后一层卷积中,最后在将ASPP空洞率改为1、5、7、9的同时将普通卷积替换为深度可分离卷积。实验结果表明,在无人机数据集上,改进后的模型与其他经典网络模型相比取得了较大进步,m Io U和MPA分别为68.03%、80.10%。（3）为了解决模型结构复杂、计算量大、分割效率低等问题,提出了轻量级Deep Lab V3+＿MGCA模型。该模型在Deep Lab V3+＿CMASPP模型的基础上将Res Net101网络替换为轻量级网络Mobile Net V2;为了保证模型的分割精度,将注意力机制加入到主干特征提取网络中,并使用组归一化代替网络中的批归一化操作。实验结果显示,在无人机数据集上,改进后模型的m Io U为67.69%,参数量仅为13.33 MB,表明该模型在一定程度上实现了分割效率和分割精度的有效平衡。为了验证改进模型的泛化能力,本文在公共遥感数据集WHDLD上分别对以上改进模型和其他经典模型进行对比验证。实验结果表明,与其他模型相比,本文提出的改进模型在遥感影像土地利用分类方面具有一定优势。