遥感图像是地理学研究领域一项重要的现代化技术,利用遥感图像对土地利用类型进行分类识别,其结果可用于把握水土流失变化规律、衡量水土保持的治理成效,为后续水土保持和生态环境保护提供决策依据。随着人工智能的发展,基于深度学习的自动识别方法逐渐被广泛应用到遥感图像地物分类领域,通过全卷积网络对多种土地类型实现自动识别划分。目前利用深度学习技术对多种土地类型实现准确分类,仍面临一定困难,其中有两类现状影响识别精度,第一个是类别分布不均衡,各类别之间样本数据差距较大;另一个是相邻边界识别有误,各类别交接界线的语义信息不明确。为了充分利用高分辨率遥感图像,进一步提升多种土地类型的识别准确率,针对上述两个现象,本文展开了基于遥感图像的土地类型自动识别技术的相关研究。首先,本文应用了线上难样本挖掘算法,通过挑选难样本学习以解决本文像素级语义分割中类别分布不均衡的问题。本文在三种经典的语义分割模型中添加了 OHEM算法,并选出模型有关该算法的最优参数组合。实验证明OHEM算法的有效性,提高了样本量少的类别IoU,同时模型的整体MIoU和识别准确率都得到了提升。然后,本文提出了双向关联域损失函数,利用区域级监督解决本文分割识别中相邻像素语义信息不明的问题。本文对关联域损失函数的组合计算方式改进为矩阵向量相加,并对损失函数优化为双向计算。实验证明Bi-AFF损失函数能公平考虑像素之间的相关性且最大限度保留区域级监督的有效信息,极大改善边界识别精度。此外消融实验证明同时添加OHEM算法和Bi-AFF损失函数的模型,其分割识别效果更精准。最后,本文将研究的理论成果应用到实际场景中,设计了一个多种土地类型自动识别原型系统,该工具的应用证明其在地理标注识别应用场景中的实用性,给水土保持等相关研究提供了一定的参考价值。