随着卫星技术的飞速提高,卫星影像尤其是高分辨率遥感卫星影像受到各国的极大重视,并已在不同领域得到应用。卫星影像以其丰富的信息、直观的形象可以提取各种自然要素之间的相关位置、空间分布,给目标语义分割在民用和军用方面都提供了极大的发展空间。于此同时,在人工智能的浪潮下,深度学习凭借计算能力的大幅提高得到新的发展,其不仅在传统的计算机视觉、机器人方面带来巨大的变革,同时也在诸如金融、医疗等方面带来新的解决方式。因此,将深度学习应用到针对卫星影像的语义分割中,由此为军用战术以及民用商业规划开阔新的思路。本文利用卷积神经网络对卫星高分辨率影像进行多类别语义分割。本文的主要内容如下:首先,概述深度学习的基本模型及深度学习的三个特点,即模型简单、可扩展性及可迁移性。重点主要研究卷积神经网络的构成、特点、研究机制及发展方向。针对利用人工设计的学习特征等进行卫星影像语义分割时,特征设计学习过于繁琐、适应范围受限制等问题,本文应用卷积神经网络自动设计、提取特征。以典型语义分割网络为基础,设计了卫星影像语义分割网络结构,结合了现有的卷积神经网络(Convolutional Neural Network,CNN)与条件随机场(Conditional Random Field,CRF)的优点。针对卫星影像样本集图片数量极少,且类间分布不均,本文针对卫星影像分割网络中上下文语义环境进行调整,通过增加跳跃连接将粗糙特征与精细特征进行合并。同时加入了条件随机场对网络输出进行精修,使平均精度提升超过16%。针对样本集过小等问题,为了提升网络表现,本文对样本集进行预处理及增容算法,包括多光谱图像通道合成、增加多遥感成像指数等。针对卷积神经网络在语义分割过程中损失函数与传统分类网络不同,本文改进网络的损失函数,设计为联合损失函数。最后,对本文设计的针对卫星影像的语义分割卷积神经网络在数据集中进行检验。分割网络在多种分类,包括建筑物、公路、河流和小路等不同类别获得较高的准确率,在样本集水域类别中,平均精度达到91%。实验结果表明,本文设计的语义分割网络具有一定的实用价值。