随着空间传感器技术的发展,遥感技术逐渐成为一种重要的地表观测手段。深度学习方法在计算机视觉领域,自然语言处理领域中都获得了长足的发展与良好的效果。近年来,在地表覆盖分类,遥感图像变化检测,遥感图像目标检测等遥感图像处理领域中也逐渐在引入深度学习算法。不同于传统的遥感图像处理方法,如遥感指数阈值提取、支持向量机、决策树分类器等方法人为地构建特征,深度学习通过神经网络中可学习的权重来自动提取图像特征并对图像特征加以利用,同时也能更好的拟合数据的本质特征。本文针对深度学习的语义分割方法在遥感图像的地表覆盖分类和人工地表覆盖提取的应用进行了研究并提出了一些改进的方法。本文主要研究了如何将计算机视觉领域中语义分割方法迁移到遥感图像人工地表覆盖提取任务上并针对遥感影像进行改进。其次,本文通过融入稀疏化的Non-local空间注意力来对语义编码器的性能进行改进。通过融入通道注意力机制到深层特征与浅层特征解码器中对语义信息解码中来优化解码性能。再次,考虑到样本中的类别分布不均的问题,在交叉熵损失函数中引入了在线难例挖掘算法方法帮助模型收敛。最后,本文根据遥感图像特点结合使用了多元数据融合的方法对深度学习在遥感图像中的应用方法进行了改进,提出了一套应用于中分辨率遥感影像人工地表分类提取的方法。本文首先在DeepGlobe公开数据集上对算法改进的可行性进行了分析。本文所提算法相较于Deeplab-v3+在此数据集上有平均重叠率指标上有4%的性能提升。另外,本文还基于高分卫星影像自建了中分辨率的人工地表语义分割数据集,应用于全中国16-m人工地表覆盖提取任务。通过本文所提方法对全中国区域使用了270张高分一号卫星遥感影像进行了16-m级的全中国区域的人工地表覆盖提取,并在实验样区验证了其识别精度。相较于传统的支持向量机分类方法,本文所提算法有更高的精度和提取速度,并且省去了人工选取样本点构建特征这一繁杂的过程。