高分辨率遥感图像的处理无论在军事领域或商业领域都产生很大的影响。遥感图像分辨率及解析力的提升能够带动各种相关产业的发展。在地震救灾、冰川融化评估、交通及导航等方面都对遥感图像分割提取有极大需求。从遥感影像中自动识别建筑物目标并获取其精确边缘轮廓信息,一直是数字测图实现自动化和智能化的重要努力方向。尽管如此一直以来对卫星遥感图像的分析的自动化程度仍然很低,所以近年来,深度学习方法由于其智能化程度高而开始在遥感图像分割领域得到了充分发展。本文从高分辨率遥感图像的语义分割任务出发,针对航空遥感图像的语义分割方法进行研究,利用深度神经网络的特征学习和强大的表示能力对图像进行特征的提取,同时针对航空遥感图像多尺度性,多角度性,背景复杂,小目标性,分辨率较高等特点实现现有模型方法的优化和改进,以获得更高的分割精度。本文的主要研究内容包括以下几个方面。首先对图像分割的发展历程和深度学习在图像分割领域的应用进行了综合性的概述,研究讨论了现阶段遥感图像分割的现状以及通用的分割方法的理论基础,介绍了卷积神经网络的组成要素。接下来讨论了四种不同的主流的全卷积网络结构,并在高分辨率航空遥感图像构建了四种模型方法,针对航空遥感图像进行一定的图像预处理操作,对不同的方法的分割质量和模型性能进行评估与比较,验证了所构建的模型在遥感图像上的有效性。然后,在已有模型基础上,针对遥感图像的特点进行分割方法的改进与优化,基于所选的基础模型框架,分析,设计,实施模型性能的优化。改进包括以下几个方面:首先是对于遥感图像的多方向性对初始图像进行图像增强以及预处理,其次针对航空遥感图像的多尺度性,小目标较多等特点提出一种改进多分尺度融合技术以提高模型对不同尺度的目标的表示能力,对现有的多尺度融合技术进行了比较与讨论,基于此提出了一组对编码器输出进行高层语义信息提取的改进方法。然后针对遥感图像分辨率较高,训练速度较慢的缺点,本文引入了批量归一化技术,目标是通过归一化技术进一步提高所提议网络的训练收敛速度和泛化能力,同时本文还对了损失函数函数进行了改进,引入辅助损失函数以提高网络的训练速度。最后针对航空遥感图像背景复杂特点,引入了注意力机制,讨论了现行注意力机制的特点,基于此进行注意力学习机制的改进。以提高网络对目标建筑的注意力。最后本文将已有的主流分割模型与本文提出的改进方法进行了比较,然后进行不同方法分割性能的评估,同时与在相同领域内同样表现良好的航空图像改进分割算法进行了比较,衡量了所提出方法的优劣性,验证了改进方法的有效性。