随着遥感技术的不断发展,传统图像分类方法在高分辨率遥感影像中表现欠佳,随着深度学习的兴起,基于深度学习的方法对遥感影像进行分类成为了研究人员关注的热点之一,尤其是卷积神经网络在图像分类上的优异表现,使得其在遥感影像分类中越来越受欢迎,然而使用卷积神经网络进行遥感影像分类也同样面临如下几点问题:一方面增加卷积神经网络的深度,网络获取深层特征能力越强,进行影像的分类精度越高,但随着深度的增加池化造成的空间信息尤其是小目标空间信息丢失越严重问题;另一方面随着遥感技术的不断发展,遥感影像分辨率不断提升,高分辨率遥感影像包含大量的地面物体信息,例如纹理,形状和空间位置等,然而由于地面物体的多样性与复杂性,高分辨率遥感影像通常表现为较大的类内差异和较小的类间差异,从而给分类任务带来了巨大的挑战。针对以上问题,本文主要做了以下工作:（1）本文基于U-Net模型,针对高分辨率城市遥感影像中小目标分类效果较差这一问题,采用空间金字塔池化模块替代原始U-Net深层网络的池化与上采样层,有效缓解了池化造成的空间信息尤其是小目标空间信息丢失问题,并且利用不同扩张率的扩张卷积具有提取不同尺度信息的能力,在空间金字塔模块通过多个不同尺度的扩张卷积有效提取特征图中不同地物的多尺度信息,提高模型分类精度。实验结果表明,相对原始U-Net模型总体精度提高了1.95%,达到了86.93%,在小目标“汽车”类别F1得分提升了最高为13.81%,在所有类别中F1得分最高,说明了池化造成的空间信息丢失情况得到了有效的缓解。（2）针对高分辨率城市遥感影像中较大的类内差异和较小的类间差异,基于边缘检测思想,提出与原始U-Net网络并行的边缘注意力分支BA-Unet模型,通过与分类网络共享编码卷积层权值,利用地物边缘轮廓信息改善分类效果。针对边缘注意力分支中,边缘像素与背景像素存在类别极度不平衡的问题,在边缘分支中采用Focal Loss作为损失函数,以改善类别不平衡导致分类器预测结果偏向背景像素问题。实验结果表明,其总体精度较原始U-Net提高了2.06%,达到了87.04%,在小目标“汽车”类别F1得分提升了13.39%,提升效果较基于金字塔池化模块改进的模型稍差一点,同时通过对比分类结果图发现,其地物边缘轮廓尤其是建筑物边缘得到了一定改善。（3）为了得到更好的分类结果,本文使用空间金字塔池化模块与边缘注意力分支共同改进U-Net模型,得到了本文最优的分类结果,总体精度达到87.40%,相对使用空间金字塔池化模块得SPP-Unet和引入边缘注意力分支的BA-Unet分别提高0.47%和0.36%。