图像语义分割是计算机视觉的重要组成部分,能够同时识别目标的位置和类别,这在遥感图像处理中具有重要的现实意义。在传统的语义分割算法和深度卷积神经网络的基础上,本文提出了一种改进的语义分割模型ELGNet。本文的主要工作如下:(1)针对样本类别分布的不平衡性,本文详细分析其对模型性能的影响,从数据预处理和损失函数选择两方面来降低数据不平衡的消极影响,提升网络预测精度。(2)在轻量级深度学习网络EfficientNet的基础上,本文提出了网络模型的改进措施。在编码阶段,增加全局与局部交互的模块,以减缓网络长距离卷积过程中信息损失,从而提升了分割精度。在解码阶段,结合编码阶段的多尺度信息,对恢复图像空间分辨率起到积极作用。此外进行上采样实验,为网络选择适宜的反卷积方法。(3)将本文提出的深度学习模型应用于两个遥感影像数据集的语义分割,尝试三种上采样方法并对比了本文模型和其他模型的分割效果。研究结果表明:在本文使用的数据集上,损失函数中的BCE优于Focal loss;上采样方法中的插值法优于转置卷积,且双三次插值略优于双线性插值;本文优化后的模型在两个数据集上的mIoU均能在原始模型的基础上提升约8%。在相似精度情况下,本文使用的轻量模型训练速度比FCN快两倍以上。