遥感影像分割是提取和识别各类地物的重要手段。随着遥感影像分辨率的不断提升,首先,高分遥感影像中地物呈现出的“同物异谱”和“同谱异物”现象不断加强,基于像元的方法容易产生“椒盐效应”;其次,高分遥感影像中的地物存在多尺度特征,基于传统的面向对象方法,比如使用易康的多尺度分割方法容易出现欠分割和过分割问题。另外,近年来各行业对于矢量数据的需求也呈现出了指数增长的趋势。在此背景下,如何满足日益增长的不同需求和快速提取和识别各种地物完成高分遥感影像的矢量化解译是当前的主要问题。深度学习也正在解决以上相关的问题。其中,基于深度学习的实例分割相较于基于深度学习的语义分割不仅能够获取检测出地物的类别信息,同时还能区分出同一种类别中的不同对象,较为符合地理研究人员想要获取的解译结果。因此本文针对在高分遥感影像分割过程中尺度融合不够深入的问题,以杭州桐庐县江南镇某区域为例,基于Mask R-CNN实例分割模型设计了不同窗口尺度下的空间数据融合方案,综合分析了多尺度融合效应。本文的主要研究内容概括如下:（1）实现了基于Mask R-CNN的高分遥感影像矢量化解译方案。首先,通过Mask R-CNN实现了高分遥感影像主要地物的识别与提取;其次,通过识别数据的后处理实现了高分遥感影像的自动矢量化,获取到了与地物边界较为准确的矢量图层。在实验中获取了道路,植被、居民区和水体四大主要类别地物的矢量图层,实现了高分遥感影像的自动矢量化。（2）解决了高分遥感影像实例分割结果的拓扑歧义性。首先,针对Mask R-CNN需要分块输入造成的边缘信息模糊问题,采用重叠策略来补充上下文信息;其次,针对Mask R-CNN模型在预测掩膜时产生的空隙和重叠错误,提出了相关的拓扑修复方法。在实验中获取了与全图高分遥感影像相一致的矢量图层,验证了实例分割模型也可使用全图分割的应用当中的可能性。（3）研究了多尺度分割结果的融合方案,明显提升了道路提取的完整性。针对如何综合探究多尺度的效应,设计了不同空间窗口的多尺度融合方案。在实验中以道路为例,证实了多尺度下的Mask R-CNN的特征金字塔网络分割结果优于单尺度下的分割结果。