卫星图像语义分割在地理信息勘探、区域建筑规划中有着重要作用。当前基于深度学习的语义分割算法在街景和室内等场景下表现出色,但是由于卫星图像中存在的阴影遮挡、树木覆盖等干扰情况,使得这类算法产生的分割结果存在边缘不平滑、分割结果不准确等问题。本文分别针对建筑物和道路两种分割场景中出现的上述问题,进行了如下的研究工作。对于建筑物分割任务,由于卫星图像中的建筑物受阴影、树木等因素的影响,已有的基于神经网络的语义分割算法在分割时会产生分割结果不平滑和大面积建筑物分割不完整等问题。对于建筑物分割边缘不平滑问题,本文提出了基于生成对抗网络的建筑物语义分割算法。鉴别网络训练可以使分割模型生成更加平滑、准确的边缘细节。针对大面积建筑物分割不完整问题,利用扩张卷积提供更大的感受野来优化大面积建筑内部区域特征信息。实验结果验证,本文设计的建筑物语义分割算法有效地解决了大建筑分割不准确和建筑物边缘分割不平滑问题。对于道路分割任务,由于卫星图像中的道路受树木遮挡、道路特征不明显等因素影响,已有的基于神经网络的语义分割算法会产生分割道路不连续的问题。不同于建筑物分割,卫星图像中局部空间内道路面积较少,无法利用扩张卷积来恢复被中断的道路。本文针对此问题,提出了基于变分自编码器的道路分割算法。通过预训练变分自编码器,使得其获得道路数据的分布规律;同时将变分自编码器嵌入到基于神经网络的分割模型中,来修复被中断的道路。实验结果验证,该分割算法能够提取出连接的道路信息。