针对遥感图像中多类别地物的特征复杂性和多样性等问题,利用深度学习强大的特征表达和信息挖掘能力,研究如何提高遥感图像中多类别地物信息提取的精度是该领域前沿技术问题。本文将典型地物类别划分为道路、建筑、植被、水体等多类。相较于普通场景中的目标,遥感图像中的地物目标覆盖的空间范围更大、不同地物相似度更高、地物边缘更不明确,这导致常规的深度学习语义分割模型地物提取精度较低。为了解决该问题,本文基于深度学习技术,针对遥感图像中地物目标的特点对经典模型进行优化,提出多重注意力及多任务学习的网络结构,设计与实现相关软件,并在三个遥感数据集进行模型测试与实验。主要研究成果和创新点如下:（1）由于遥感图像中地物目标覆盖的空间范围更大,需要模型提取更多全局特征。针对该问题,本文提出了一种标签注意力模块（LAM）,利用外部信息优化全局特征。另外,本文引入两个自注意力模块:位置注意力模块和通道注意力模块,从内部融合全局特征。结合两个自注意力和一个标签注意力模块,本文构建了三重注意力模型（TANet）,在三个不同数据集进行了对比实验,实验结果表明,相较于基准模型UNet,TANet提取精度平均提升4.16%（从79.90%提升至84.06%）。（2）针对相似地物的误判问题,基于多解码器结构能够降低不同地物类型对模型参数的竞争。本文构建了多解码器结构的三重注意力模型（MD TANet）。MD TANet利用多任务机制将一个多分类分割任务转化为多个二分类分割任务,即多个任务共享同一个编码器,编码器的结果分别输入不同解码器,得到多类地物提取结果。实验结果表明多解码器结构在TANet的基础上平均精度进一步提升了1.47%（从84.06%提升至85.53%）,相较于基准模型UNet提升平均精度5.63%。（3）针对不同地物边缘的误判问题,本文构建了额外的边缘提取任务分支,在MD TANet的基础上进一步构建了多解码器结构的四重注意力模型（MD QANet）。该模型优化了边缘提取任务损失函数,使用距离变换损失函数替换传统的交叉熵损失函数,并引入了边缘注意力模块,提升了边缘提取的效果。实验结果表明,MD QANet减少了边缘区域的误判,在MD TANet的基础上平均精度进一步提升了0.55%（从85.53%提升至86.08%）,相较于基准模型UNet,精度平均提升约6.18%。（4）基于以上模型,本文设计与实现了遥感图像典型目标要素智能化提取与解译软件系统。主要包括可视化界面、基本工具、多地物提取模块、解译优化模块等。