图像分割技术是按照图像内部特征,例如边缘、纹理、颜色,将图像划分为不同类型的区域,每个区域属于同一类且具有一致性或相似性。遥感图像目标分割则是将图像分割为具有实际语义信息的区域,是图像处理中的重要应用之一。通过对遥感图像处理,可提取建筑物、道路、海岸线、植被等不同地物目标,为城市建设、农业发展、灾害监测等应用提供指导,具有很高的应用价值。遥感数据具有规模较大、目标可能密集且尺度不一、光照、环境复杂、标签标注费时费力等特点,遥感图像目标分割仍面临着很多挑战。面对复杂的遥感图像目标,目前基于主流深度神经网络的图像分割方法由于存在重复的卷积池化操作,导致分割出来的目标存在小目标漏分、边缘细节缺失等问题,并且在数据分布差异较大、缺少对应标签的情况下,无法得到很好的分割结果。基于以上分析,本文针对深度分割模型在遥感图像分割领域因信息损失带来的小目标漏分、边缘细节丢失、不同数据间的分布差异等问题展开研究。具体研究内容如下:（1）针对当前研究所面临的目标边缘特征和小目标信息保持不足,以及目标的遮挡问题,提出一种基于多级通道注意力的遥感图像分割方法,构建通道注意力机制来关注目标特征信息,解决目标遮挡问题,并在特征提取阶段充分利用浅层的局部信息与深层的语义信息,对每一个尺度上的特征图增加通道注意力模块,通过自学的方式自动获取每个通道的重要程度,据此加强特征图上该通道的特征,进而增强各个尺度上特征图所包含的目标信息,应对目标边缘和小目标信息保持问题。实验表明提升了被遮挡目标、小目标的分割效果,提取的目标更为完整、细节保留更好,增强了模型在遥感图像上的分割性能。（2）针对上一部分工作面临的小目标信息保持不足与边缘信息缺失等问题,不仅要考虑分割图能包含更多的特征信息,还希望提升空间长距离的连续性来获得边缘平滑的分割图,提出一种含多级通道注意力机制的CGAN遥感图像分割模型,模型包括生成网络G和判别网络D。G是具有多级通道注意力机制的分割模型,与第一部分的分割模型相同,该模型通过自学的方式来构建通道注意力机制,应对不同大小建筑物的分割问题,尤其是小建筑物信息的保持,G产生的分割结果作为D的输入,由于G融合了含有多级跳跃连接的通道注意力特征,所以G在各个尺度上都具有更强的特征提取能力,在此基础上通过G和D的对抗训练,对遥感数据分布进行更精确的建模,相比其他比较方法更加关注数据的空间一致性、连续性,实验表明可带来边缘细节更平滑、更完整的分割结果图,提升了模型的分割性能。（3）针对当前遥感图像分割所面临的两点问题,一是在一个数据集上训练优良的模型迁移到另一个数据集上时,由于数据域之间较大的分布差异,导致无法准确分割目标的问题。二是当两个域不仅域间差异大,并且其中一个域的图像还没有标签数据时,无法直接进行监督训练的问题。针对以上两点问题,提出了一种基于对抗学习的域适应遥感图像分割方法。首先将源域和目标域数据分别送入分割网络,得到两者的分割结果图。其次,加入一个判别器对这个结果图进行判别,通过分割网络和判别器对抗学习,最小化两个域之间的预测结果差异。最后,为了进一步增强域适应模型,构建一个双层域适应网络,以应对复杂遥感图像下的域差异问题。实验表明,在源域和目标域数据差异较大,且不使用目标域图像的标签时,仍然具有较好的分割性能。