土地覆盖分类图,通常被用于解释土地表面的物理属性,而土地利用分类图,则对应于展示人类利用土地的相关活动或土地使用的功能,这些土地利用的活动或功能之间具有内在的联系,但在概念上却截然不同。因此遥感影像通常是基于土地利用准则,由于制定的土地利用准则的差异,分类结果存在模糊性,而基于土地覆盖准则的分类结果,由于遵循准确定义的土地覆盖特性,分类结果相对唯一。本文旨在解决基于高分辨率遥感影像的多上下文和多尺度的土地利用或土地覆盖植被提取问题涉及的相关挑战,我们提出将植被敏感特征聚焦感知和自适应上下文推理模块,集成到语义分割的统一框架中,根据土地利用/土地覆盖植被提取应用问题的不同需求,自适应地自动提取中高分辨率卫星遥感影像（HRRSI）中的典型植被要素。本文的主要研究内容,包括以下几个方面:（1）设计了一种基于适配上下文推理和植被敏感特征聚焦感知的高分辨遥感影像植被提取模型,实现对高分影像不同类型植被区域的端到端的自动提取。针对语义分割网络需要同时保留影像的空间细节信息和高级语义信息,提出了基于适配上下文推理的植被提取模型,由基准线网络和改进的聚焦感知模块以及适配上下文推理模块组成。（2）我们提出了一种针对不同类型植被的植被敏感特征聚焦感知模块,即包含高层级和低层级语言信息的联合聚焦感知机制,解决植被要素提取过程中存在的,类间差异变小和类内差异变大的问题。（3）我们建立了上下文推理模型表征中心像素和其邻域像素的语义约束关系以及不同类型植被的空间结构,建模不同尺寸、形状和上下文的植被特征的空间结构。为解决植被目标的内在属性无法基于固定的空间结构进行表征的问题,我们建立了一个适配的上下文推理模型,在监督的设置下实现基于数据驱动的模式识别方法的空间结构推理;在适配上下文推理模块中,我们在使用交叉熵损失函数,作为一元监督强化独立像素的语义标签的同时,也在标签空间建模邻域像素间的关系,并在训练阶段执行上下文推理。我们引进了适配上下文推理损失函数,自动获取具备空间结构和局部细节的分割段。（4）我们设置了对比实验,来分析不同模块对于植被提取的影响,以及消融性研究和参数敏感度分析,最终给出不同核心模块对于植被提取结果影响的结论,以及如何满足HRRSI的土地利用/土地覆盖的适配的自动提取需求。我们也开展了深度学习语义分割结果与逐像素的分类方法融合的实验,可以有效融合前者的语义推理和后者的空间定位精确的优势。基于适配上下文推理的高分辨遥感影像植被提取模型的有效性,通过在ZY-3和GF-2数据集上的全覆盖范围的全景影像和分类较为困难的部分影像区域的分割结果进行验证。相对于基准线方法Deeplab V3+,我们在精度和m IOU方面,均分别可以获得至少1.44%和2.47%的性能提升。此外适配上下文推理模块和聚焦感知模块,至多可以分别提升精度和m IOU为2%和3.88%以及1.13%和1.65%。这些综合实验的结果和统计数据,展示出我们的上下文适配推理模型的有效性,可以满足不同的土地利用和土地覆盖植被制图的需求。