随着遥感技术的飞速发展,高分辨率遥感影像目前已广泛应用于环境监测、灾害评估和农作物产量评估等领域。语义分割作为计算机视觉中的关键任务之一,它可以对图像中的每个像素进行分类。由于高分辨率遥感影像具有背景复杂和目标尺度差异大等特点,传统的语义分割方法对遥感影像处理的效果并不理想。深度学习技术在近几年取得了长足的进步,将其应用于遥感影像的解析中具有现实意义。本文对基于深度学习的语义分割方法在高分辨率遥感影像中的应用展开研究,具体研究内容如下:（1）根据高分辨率遥感影像具有背景复杂和目标尺度差异大等特点,提出了一种高精度的多特征注意力融合网络。该网络基于编码和解码结构,在编码阶段,采用优化后的深度残差网络Res Net101作为骨干网络提取特征。然后通过金字塔池化结构和通道自注意力结构分别捕获图像的上下文信息和通道关联信息,以增强输出的特征表示能力;在解码阶段,利用高层特征的语义信息引导低层特征进行有效融合,并采用级联的策略逐步恢复并优化目标的细节信息。在公开的数据集Potsdam和Vaihingen上进行了对比实验。与高精度语义分割模型PSPNet相比,它取得了更高的分割精度,像素精度分别提高了1.3%和1%。（2）针对高分辨率遥感影像的语义分割模型通常存在计算复杂和内存消耗大的问题,提出了一种实时的双分支轻量级网络。该网络包含并行的细节分支和语义分支。在细节分支中,通过宽通道的浅层网络捕获目标的细节信息;在语义分支中,通过窄通道的深层网络捕获图像的上下文信息。然后通过上下文规模感知的方式自适应地融合不同分支的特征。最后,在训练阶段采用强化器和联合辅助损失函数加快网络的收敛。在公开的数据集Potsdam和Vaihingen上进行了对比实验。与实时语义分割模型Bi Se Net相比,它达到了与之接近的分割精度。而网络的参数量降低了76.1%,计算量减少了86.6%,推理速度提升了45.9%。