随着计算机技术的进步,尤其是深度学习技术的发展,数字图像处理和计算机视觉技术已经逐渐自成体系。图像的语义分割问题作为计算机视觉的基本任务,因其可被用于辅助其它计算机视觉任务的实现,同时也受到越来越多的关注。图像语义分割对图像进行逐像素的分类,为图像中所有像素点分配语义标签,从而实现从像素级别理解图像内容,在自动驾驶、物体检测和跟踪、人机交互、场景识别与理解等领域都有着广阔的应用前景。本文总结了语义分割领域的现有算法,深刻认识到,传统基于深度学习的图像语义分割方法一方面性能非常依赖于数据集的质量,然而通常情况下,想要获取高质量的像素级标注数据是非常昂贵和耗时的。另一方面,在实际应用中,在特定数据集下训练的网络模型,通常只在当前数据集下具有良好的性能,用于相似数据集时性能会出现明显下降,从而限制了语义分割方法在现实情境中的应用。本文旨在提高遥感图像语义分割的精度,具体工作如下:（1）本文提出一种结合上下文信息和注意力机制的改进U-Net网络用于实现遥感图像的道路语义分割。传统遥感图像道路语义分割方法缺乏对多层次的道路特征的提取,没有考虑道路整体所具有的几何拓扑结构,使得最终的道路分割结果的结构不完整;同时在图像下采样特征提取的过程中图像的分辨率不断下降,丢失的空间信息难以恢复,使得提取的道路边缘不清晰。为解决此类问题,本文提出了结合上下文信息和注意力机制的改进U-Net网络模型,模型通过提取遥感图像的多层次特征来实现图像的上下文信息的提取和整合,确保对道路整体的几何结构特征的提取;同时,使用注意力机制模块来对通过跳跃连接向上采样过程传递的底层特征图进行权重调整,提升分割网络对于下采样过程中缺失位置信息的恢复,从而提高道路边缘区域的分割精度。此外,在公共数据集Deep Globe道路数据集上对算法进行验证,进一步证明了在编解码器网络的跳跃连接中引入注意力机制的价值。（2）本文提出了一种结合生成对抗网络和域自适应方法的无监督遥感图像道路语义分割算法。在遥感图像的获取过程中,由于卫星、拍摄设备,光照强度,季节等条件的影响,会使得不同数据集之间存在明显的域间差异,其中图像分辨率的不同对遥感图像的语义分割造成的干扰最为明显,这些因素导致的域间差异会造成了不同训练集下的遥感图像语义分割模型的性能下降。针对以上问题,本文将超分辨率的方法引入语义分割的网络中,通过整合图像超分辨率过程中的提取的不同分辨率的特征,来辅助语义分割网络的特征提取和信息恢复,从而减弱图像分辨率所引起的数据集的域间差异;同时采用基于生成对抗网络的域自适应方法来对源域和目标域的域间差异进行消除,最终实现目标域遥感数据集下的无监督的语义分割。（3）分别验证本文构建的无监督遥感道路语义分割模型在遥感道路分割数据集与传统的基于特征的域自适应方法和基于输出空间的域自适应方法在遥感数据集上的道路分割效果。实验结果表明,本文构建的引入超分辨率的对抗域自适应的网络在无监督遥感语义分割中具有更好的分割结果。进一步证明了图像的超分辨率方法对于图像的语义分割网络的辅助作用。