语义分割是计算机视觉和模式识别领域的研究重点,传统基于图像块的深度卷积神经网络模型假设图像块内所有像素共享同一标号导致其对图像光谱及纹理结构特征变换敏感、语义分割结果中目标边缘像素分割精度不高。针对以上问题,提出一种基于残差模块的全卷积神经网络模型及多尺度空洞卷积模型。首先,基于残差模块的全卷积神经网络模型以残差模块为基础构建能够实现“端到端”训练的全卷积网络,并采用跳跃连接提高低层细节特征的传递效率,进而提高图像语义分割精度。其次,多尺度空洞卷积模型在基于残差模块的全卷积神经网络模型的基础上,利用空洞卷积学习原始图像不同尺度特征,并组合这些特征以达到同时学习目标细节特征和全局特征的目的。最后,为了验证提出算法的有效性,将提出的算法应用于ISPRS Vaihingen数据集中对图像块的模型进行对比分析。实验结果表明,采用的全卷积神经网络模型和多尺度空洞卷积模型能够较好地学习图像目标的边缘细节特征,与传统的基于图像块的神经网络和改进的Seg Net网络模型相比,其语义分割精度可达84.56%和86.59%。该论文有图55幅,表5个,参考文献50篇。