遥感图像分割是图像理解中的一个重要分支,也是目前学术界和工业界的一个研究热点,在城市规划、变化检测以及地理信息系统构建等方面有着十分广泛的应用。然而,诸多复杂因素(比如目标空间分散、多变的尺度和多样化的拓扑形状、以及复杂的背景和阴影等)使得遥感图像语义分割成为一项具有挑战性的任务。传统的图像分割方法主要依赖底层特征,其鲁棒性较低,识别精度不高,很难满足遥感大数据时代的要求。近年来,深度学习方法在自然图像语义分割任务中取得了极大的进展。但是,直接将现有的基于深度学习的图像语义分割模型应用于高分辨率遥感图像难以获得满意的性能。为此,本文围绕深度学习,对遥感图像及其在短时降水预测方面的应用展开了一系列的研究工作。论文提出了一种基于多尺度信息融合的遥感图像语义分割深层卷积神经网络模型。该模型分为编码器和解码器两部分。在编码阶段,设计了一种基于DenseNet网络的跨卷积层级的多尺度特征融合策略,采用子区域全局平均池化及多尺度卷积处理复杂的背景区域;在解码阶段,为了准确地恢复图像的细节信息,设计了一种能够融合不同层级卷积特征的短解码器;最后,在整体模型构建方面,设计了一种具有多输出的分层监督机制。该机制允许网络模型从不同层级获取监督信息,可在充分利用监督信息的同时更好地引导网络的训练。在ISPRS公开数据集以及北京市遥感数据集上的对比实验验证了所提模型的有效性。论文提出了一种基于语义分割算法的多时段结构化降水预报模型。该模型包含多源耦合网络和多时序信息融合网络两部分。针对温度、相对湿度和风速等多模态数据,在多源耦合网络中,设计多层次多尺度的特征融合策略,采用递归上采样以及跨卷积层信息融合方法恢复特征图尺寸;在多时序信息融合网络中,为了在时间轴上将历史数据与当前数据关联起来,使用了基于ConvLSTM的长短时记忆模型;最后,在整体模型构建方面,文中采用了 Dropout、正则化等多项技术手段以缓解参数过多而引起的过拟合现象。通过在欧洲气象局公开降水数据集上的实验验证了所提出的多时段结构化降水预报模型的有效性。