随着卫星遥感技术的飞速发展,海量的遥感影像数据也随之到来,如何在数量浩大的数据中找到有用信息是研究者面临的严峻挑战。人工智能技术被认为是二十一世纪三大尖端科学技术之一,它的迅猛发展为遥感影像数据的智能、快速处理提供了新的解决思路。高分辨率遥感影像记录了详细的地物信息,包括目标的几何形状、几何特点、纹理等特征信息,其应用领域也包括了地图绘制、农业检测、灾害预警、城市规划等众多方向。因此如何实现高分辨遥感影像的高效智能化信息的提取是急需解决的重要问题。目前,在处理高分辨率遥感影像中常用的传统方法主要为机器学习方法,或者是机器学习与人工相结合的方法,这些方法不仅耗费大量的人力物力,并且难以达到理想的效果。针对传统方法中存在的问题,本文对深度学习在高分辨率遥感影像中语义分割的应用进行了深入的研究。本文首先采用了全卷积神经网络方法进行高分遥感影像的语义分割,并结合矩阵展开技术提升训练速度,实现了有效的语义分割功能。为了解决样本数据的分类不均而导致的误判和精度提升有限的问题,本文提出了采用极坐标转换方法对数据集进行增强,以增加数据量和提高数据多样性。最后,针对全卷积神经网络精度提升有限问题,本文提出在增强后的数据集上采用DeepLabV3+模型进行训练学习的方法,获得了良好的分割效果,验证了本文方法的有效性,对提高高分辨率遥感影像的分割精度工作有着一定的参考意义。