高分辨率遥感影像是诸多遥感影像数据类型中的一种,根据拍摄高度不同,又分为航天和航空遥感影像。它具有地物几何与属性细节信息丰富、目视效果直观等特点,在军事、民用等领域具有广泛应用。在环境评价、灾害评估、林业测量、精细农业、城市规划、地图的生产与更新、变化检测和军事目标识别等应用中,需要对高分辨率遥感影像利用视觉识别的方法进行场景解析。语义分割是其中一种解析图像场景的方法,它通过为图像的每一个像素标注语义的标签,能够同时完成图像像素分类和图像目标分割两个过程。由于高分辨率遥感影像上存在“同物异谱”与“异物同谱”等固有现象,这是运用传统方法进行语义分割时精度较低的主要原因。最近几年,图像语义分割主要是通过深度学习的方式来实现,然而深度学习在高分辨率遥感影像中的研究与应用并不多。因此本论文基于深度学习的相关算法,深入研究了高分辨率遥感影像的语义分割,主要完成工作如下:(1)建立高分辨率遥感影像语义分割数据集:针对时序变化图像语义分割任务,本文自建了拥有新增建筑物作为语义标签的遥感影像语义分割数据集。同时详细介绍了建立遥感影像数据集的相关过程,包括数据集采集、人工标注、图像预处理、数据集划分四个部分。最后针对本文实验所使用的三个原始数据集进行了六种数据增广。(2)解决单张遥感影像语义分割精度较低的问题:通过对基于FCN的图像语义分割方法进行剖析,发现其使用的简单的拼接融合操作在分割精度上提升有限。在此基础上,本文提出了一种基于DenseNet的特征金字塔语义分割网络DenseFPN,该网络有三个优势:第一、特征提取部分使用DenseNet结构完成,通过密集连接的方式,增强了网络的特征提取能力;第二、融合部分使用特征金字塔结构完成,通过设计的优化单元使得各层级特征的利用度相同,再使用拼接单元融合各层级的特征,增强了网络的空间信息恢复能力;第三、使用迁移模型提升网络的性能。本文将DenseFPN网络在城市遥感影像数据集、遥感影像道路提取数据集上进行了实验优化验证,分别取得了82.2%和86.8%的较好精度,相比于FCN精度分别提升了 14.0%和15.4%。此外该网络在小尺寸目标上表现最好,在汽车的语义分割上更是提升了3 0.9%。(3)针对时序变化图像语义分割,解决了传统方案步骤分离、标注量大、结果噪音大的问题:本文设计了时序变化图像语义分割网络DAUnet,该网络是一个端到端的框架,且标注量小,无作差带来的噪音。DAUnet需要让时序图像以拼接的形式输入,该网络主要包括编码过程、多尺度融合过程以及解码过程三个部分。它做了以下三种改进:第一、通过DenseNet和扩张卷积组合提高了网络的特征提取能力和保持了特征图的分辨率不变;第二、通过在ASPP中并联更多单元来丰富特征融合的多样性;第三、在Unet解码器中使用1×1卷积降低了特征图的数量,从而减少计算量。基于自建的时序变化建筑物提取数据集,使用DAUnet语义分割网络对新增的建筑物进行识别,并得到其轮廓,最终提取的新增建筑物的IOU为79.5%,三种改进的精度分别提升了 14.6%、2%、0.7%。