随着遥感技术的发展,获取到的遥感图像数量越来越多,其应用变得更加广泛,对遥感图像信息的提取是遥感图像应用的基础,其中高分遥感图像的语义分割是遥感信息提取的一个重要分支。然而高分遥感图像与普通图像间存在众多差异:首先,高分遥感图像中地物种类繁多,“同物异谱,同谱异物”问题普遍存在,而高分遥感图像的波段数据有限,光谱信息丰富度不足,单一的数据源影响了高分遥感图像语义分割的效果;其次,高分遥感图像中不同地物存在大小差异,同种地物存在位置差异,使用单一尺寸的卷积核,容易遗漏高分遥感图像的上下文信息;最后,高分遥感图像中类间边界不明显,地物存在相互覆盖的情况,容易产生错分现象。为解决上述问题,本文对基于深度学习的高分遥感图像语义分割方法进行了深入研究,提出了一种基于多源数据和多尺度特征融合的双流深度全卷积神经网络模型——TMdeep Net,并提出了错误点纠正损失来优化损失函数。本文的主要研究如下:（1）针对高分遥感图像中地物的“同物异谱,同谱异物”和光谱信息不足问题,提出了双流的多源数据特征提取和融合方法。该方法在原有的遥感图像基础上,通过使用多源数据提供的空间信息和位置信息来弥补光谱信息的不足。同时为避免多源数据间相互影响,使用双流输入的方法,分别对光谱数据和多源数据进行特征提取,并将提取到的多源特征进行特征融合。实验结果表明,通过对多源数据的合理利用有效地提高了复杂地物的分类效果。（2）针对高分遥感图像不同地物的面积差异和同一地物在不同遥感图像中的位置差异问题,使用了基于不同空洞率的深度可分离卷积结构DDVR和基于空洞卷积的图像金字塔结构ASPP来对高分遥感图像进行多尺度的特征提取。其中DDVR通过不同大小的感受野在下采样过程中获取图像的多尺度特征,ASPP则对网络同一位置的语义特征进行多尺度特征提取和融合。实验结果表明,使用DDVR和ASPP结构能改善网络对地物的分割效果,同时利用可分离卷积对模型进行了压缩,有效降低了模型的参数量。（3）针对分类结果中存在的错分情况,提出了错误点校正EPC损失函数,通过在损失函数中增加错分点预测概率与正确点预测概率的模长,加大网络对错分点的惩罚。实验结果表明,使用EPC损失可以有效地修正分割结果中的错分点,提高了网络的分类精度。