随着高分辨率遥感技术的发展,遥感影像已经广泛应用于国民经济、国家安全等各个领域。从高分辨遥感影像上提取与识别地物的位置、形状、类别是后续高层处理的关键步骤,因此,高分辨率遥感影像分割,尤其是语义分割已经成为该领域重要的问题之一。近几年深度学习快速发展,深度学习网络能够逐层提取出与任务相关的语义信息,在很多领域都超越了传统的机器学习方法。本文在研究了基于深度学习的语义分割基础上,结合遥感影像中地物目标具有多尺度的特性,探索高分辨率遥感影像的多尺度语义分割,具有重要的研究和应用价值。本文的主要工作和创新如下:(1)由于高分辨率遥感影像中包含不同尺度的地物,需要综合不同大小感受野下的特征才能满足高分辨率遥感影像各类地物被精准地分割。文中研究了几种基于全卷积网络的遥感影像语义分割方法,并对比分析了这几种网络的特点和分割效果。同时介绍了几种语义分割的精度评价方法,为实验结果提供了定量的评价依据。(2)基于深度学习的语义分割结果常呈现团块状的模糊边界,不能很好地保留高分辨率遥感影像中地物边界。而传统面向对象的图像分割方法虽然可以很好地保留地物的边界信息,但分割结果中缺少语义信息。本文将深度学习语义特征提取的强大功能与传统分割方法能够得到可靠边缘的优点结合起来,在对象约束下得到基于深度学习的语义分割结果,在一定程度上提升了边缘准确性和分割精度。(3)针对基于深度学习的语义分割往往需要大量的标注数据,但遥感影像通常缺少大量标注信息的问题,提出了基于线段标签的弱监督学习的语义分割方式。首先在遥感影像上构建条件随机场——将像素表观视作观测场,像素的类别标号视作标号场,条件随机场将图像语义分割问题转化成在给定观测场下对具有最大后验概率的标号场求解问题。利用条件随机场,将部分标注的图像扩展成全标注的图像再对模型进行训练,通过训练的模型可用于对各类地物建模,更新像素属于不同地物类别的概率,再次利用条件随机场对全图标签进行调整,作为新的全标注样本用于新一轮的模型训练,标记调整和模型训练过程交替进行,直到获得稳定的语义分割结果。文中通过实验证明了这种方法的有效性。