遥感对地观测技术是一种快速、高效的数据获取方法,获得的影像数据在包括林业在内的多个行业被广泛应用。语义分割是林业遥感影像分析中主要的应用之一,与影像分类相比,能够获取遥感影像中更为丰富的语义类别信息,并为生态监测、退耕还林等任务提供决策信息。研究快速、精准的语义分割方法对于林业具有重要的意义。由于遥感影像中林木具有分布无序,形态无规则等特点,基于深度学习的经典语义分割模型U-Net无法对林木达到较高的语义分割精度,此外,U-Net还具有模型复杂度高、计算耗时、对类别不平衡数据集的语义分割效果欠佳等主要问题。对于上述问题,本文对经典语义分割神经网络U-Net进行多步结构优化,提出用于林木/背景二类别语义分割的神经网络STS-Net(Simplified Tree Segmentation Network);对语义分割数据集内存在的类别不平衡问题,提出类别敏感加权损失函数;对于使用遥感瓦片语义分割结果拼接得到的大幅面语义分割图的平滑度欠佳的问题,提出重叠预测后处理算法。本文的主要工作如下:(1)以提升神经典语义分割经网络U-Net的语义分割精度、减少神经网络复杂度及加快神经网络运算速度为目标,使用4步结构改进方法优化神经网络模型,并提出STS-Net语义分割神经网络。改进方法包括使用紧凑卷积模块替代标准卷积层、裁剪网络中不必要的计算模块、使用残差连接增强卷积模块、使用改进的级联空洞卷积增强卷积模块序列。实验结果证明与经典语义分割网络U-Net相比,STS-Net以更少模型权重、更快的运行速度,达到了更高的语义分割精度。(2)为改善遥感影像语义分割数据集内的类别不平衡问题,提出了类别敏感加权损失函数。所提出的损失函数使用当前时刻神经网络对每一像素的语义分割精度,作为可变权重因子改进经典交叉熵损失函数,能够降低已经达到较高语义分割精度的像素点在损失函数平均值中所占的比重,实现类别均衡化处理。实验证明与经典交叉熵损失函数相比,类别敏感加权损失函数能够提升神经网络对类别不平衡数据集内小类别样本像素点的分割精度。(3)在使用遥感瓦片语义分割结果拼接为大幅面遥感影像语义分割图后,出现图内局部语义分割不连续的问题,对此提出重叠预测后处理算法。该算法使用单模型多数据副本的处理策略,对相邻遥感瓦片的重叠区域,首先合并神经网络对同一像素在各瓦片中像素副本的分割结果,再计算得到大幅面语义分割图中该像素点的最终语义类别。实验证明该算法能够进一步提升已训练神经网络在测试集上的语义分割精度。