随着光学遥感技术的发展,获取到的遥感图像分辨率越来越高,为后续分析应用提供了丰富感知信息。对高分辨率的遥感图像进行语义分割能够自动提取图像中的地物类型与分布信息,在城市规划、灾害预警、环境监测等领域具有重要的应用需求。基于深度卷积网络进行语义分割是当前的主流方法,虽然能够带来一定的分割精度提升,但是由于遥感图像地面目标存在着纵横比变化大、尺度范围广等各向异性分布特点,对于该些目标的准确分割仍是难点问题。此外,常用的监督学习方法需要像素级的准确标注,大幅增加了数据标注成本。为此,本文在各向异性目标特征提取以及降低样本依赖性方面进行深入研究,提出了对应的分割网络模型,并在高分辨率遥感数据集上进行性能验证,具体成果如下:（1）基于各向异性上下文融合网络的遥感图像分割模型。现有的深度卷积网络模型对于呈长程带状结构、密集离散分布等各向异性目标的分割能力还存在不足。针对该问题,本文提出了一种融合各向异性上下文的遥感图像分割网络,该网络设计有边界梯度卷积模块、多尺度并行空洞卷积和各向异性复合条状池化等模块,并集成于端到端的编解码网络,能够有效捕获高分辨率遥感图像中不同尺度目标的各向异性上下文信息,优化目标边界,进而提高目标分割精度。在两个公开的遥感数据集进行的实验结果表明,各向异性上下文融合网络可以取得比其他先进分割网络更好的性能,消融实验也验证了本文网络各模块的有效性。（2）基于对比学习的多损失半监督语义分割模型。监督类型的语义分割网络需要大量的标签样本进行训练学习,而遥感数据集的像素级标注成本高,代价大。为了减少分割模型对于标签数据的依赖性,本文引入像素级对比学习,提出了多损失半监督分割网络模型,充分利用少量标签样本和大量无标签样本完成半监督分割任务。以平均教师网络为框架,通过教师网络建立一个储存库存放高质量特征向量。在一致性正则化和熵最小化的基础上提出注意力对比学习模块,使用加权的多损失函数优化学生网络。其中,注意力对比损失通过度量学生网络输出和储存库中的高质量特征向量的相似性,使网络输出不断相似于储存库中的同类样本,进而提高网络的分割精度。实验结果表明基于对比学习的多损失半监督分割网络在标签数据占比1/30时依然可以维持较高的分割精度。