高分辨率遥感图像分割是很多工业级图像应用中一个比较成熟的应用。高分辨率遥感图像在军事、民事等领域均有很好的应用场景。对于高分辨率遥感图像,我们需要对其做尽可能自动化的场景解析。这种场景解析在环境灾害监测、林产行业、农业耕种、城市规划、道路分析中有着巨大作用。深度学习图像语义分割是一种先进的场景解析的方法,在遥感领域图像语义分割被称为地物分类。因此,遥感图像语义分割重点在于识别遥感图像中的区域性的目标物体,然后根据识别结果对大范围的遥感图像做分析。近年来,基于深度学习全卷积神经网络的图像语义分割方法在图像分割领域大放异彩。根据对一些经典的图像分割算法网络结构的探索,我们发现特征融合的方法广泛存在于各种不同的语义分割算法当中,通过拼接、相加或者相乘等计算方法对不同层级的特征图进行融合,有利于综合不同层级的特征图信息,得到一个信息聚合的特征图,然后再将其进行上采样得到预测结果。因此,本文将深度学习图像语义分割方法运用在遥感领域,针对遥感图像中的小目标物体,深入研究了高分辨率遥感图像分割方法。同时,本文着重将特征提取骨架网络中不同层级的特征图进行融合,通过融合网络中不同种类的信息来对输出特征图信息进行合理有效提取和分析。不仅如此,使用交叉式特征融合方式来优化特征融合处理方式,提升了小目标物体的分割效果,一定程度解决了遥感图像目标物体尺度不均匀的问题。本文设计了整套的遥感图像分割项目的实验过程,详细的描述了从数据切割、数据预处理、数据增强、网络搭建、模型测试方法等步骤的整个实验流程。本文还提出了多层级特征融合网络进行不同层级的特征融合,同时提出了交叉式特征融合模块对特征融合进行优化,以此解决遥感图像分割中存在的小目标问题和目标物体尺度差异性巨大的问题。同时,此处提出了一个深层语义信息监督模块,针对的图像数据处理中需要切割大目标物体的情况,有助于小图中的大目标的类别信息更加清晰,从而有助于提升小图中的易于混淆类别的物体的效果。此外,本文设计的MFNet（Multi-level Feature Fusion Network）网络结构在ISPRS Vaihingen&Potsdam数据集和Inria遥感数据集上取得了先进的实验结果,并与经典的FCN,Unet,SegNet,RefineNet,Deeplab,PSPNet等语义分割网络做了详细对比,实验结果表明本文设计的网络结构在Vaihingen数据集中能取得最好的分割效果。最后,针对遥感图像中目标物体尺寸相差巨大,小物体识别效果差的情况,本文提出了多层级特征融合的解决方案,一定程度上改良了遥感图像分割的识别效果。