遥感影像是获取大空间尺度土地利用信息的主要数据源,对遥感影像进行处理所获得的土地利用分割结果在土地资源管理、城乡发展规划、精准农业、地理空间物体检测、环境保护和土地生态问题分析等许多应用中发挥着重要作用。土地利用方式对地形地貌的形成和发展具有一定的影响作用,地形地貌又在一定程度上影响着土地利用类型的空间格局及演变。对于土地利用的研究有利于合理配置土地资源。但是,随着卫星遥感技术和遥感平台的不断发展,遥感影像的时空分辨率不断提高,可获得的高分辨率影像日益增多。高分辨率遥感卫星获取的遥感图像数据具有丰富的纹理信息、空间信息和更明显的地面几何特征。随着影像分辨率的不断提升和获取方式的逐渐丰富,如何快速有效地对遥感影像的土地利用信息进行提取成为目前研究的重难点问题。近几年,深度学习图像分割技术迅速崛起,实现了自动对图像中浅层和深层语义信息的有效提取,为高分辨率遥感影像的准确、高效分割提供了技术支持。本文研究了深度学习语义分割模型中的DeepLab V3+模型,以红古区的土地利用类型为研究对象,首先利用ArcGIS对影像中的地类进行矢量标注;再通过ArcGISPro深度学习工具进行裁剪,得到适合深度学习训练的样本数据集;然后使用DeepLab V3+语义分割模型以及主流深度学习模型对研究区的土地利用类型进行分割,并优化DeepLab V3+模型;最后,分析地形因子对土地利用空间分布的影响。本文研究得到以下结论:（1）通过手动矢量化对影像进行标注以获取满足深度学习训练的标签数据,并利用ArcGIS Pro软件对影像数据和获得的标签数据使用128 × 128的滑动窗口进行切割,得到256× 256大小的瓦片数据集。对获得的数据集进行乱序处理、数据增强,按一定比例将数据集进行划分,完成对数据集的制作,用于深度学习模型训练。使用ArcGISPro软件对数据进行处理数据形式符合大多数遥感影像处理工具,便于后期对土地利用数据进一步研究。（2）使用DeepLab V3+语义分割模型对红古区土地利用数据进行训练,并与主流的PSPNet、ICNet、U-Net深度学习模型进行对比分析。结果表明:通过综合考虑速率和效率两个因素,发现本文所用的具有空洞卷积的编解器结构的DeepLab V3+模型对土地利用的分割结果更优。（3）改进原始的DeepLab 模型,将特征提取Xception骨干网络替换成ResNet网络。与原始的DeepLab V3+模型及主流的PSPNet、ICNet、U-Net模型进行对比,结果表明:改进的DeepLab V3+模型在一定程度上提高了网络的分割性能。调整模型的学习率下降方法（包括Piecewise、Ploy和Cosine三种）、归一化方法（有BN和GN）和优化算法（Adam和SGD两种）,得到适合土地利用信息提取的最优组合。结果表明:BN、Adam和Ploy三种优化方法的组合使用得到的土地利用分割效果最优。（4）使用红古区的DEM数据提取该区域的高程、坡度、坡向、地形起伏度、地表切割深度和地表粗糙度6种地形因子。对土地利用类型的形态维数计算,通过分维数和稳定性指数对该地区土地利用的破碎化程度和稳定性进行分析。将所提取的6种地形因子与土地利用数据进行叠加分析,计算分布指数和各地形下每种土地利用类型的分布比例,分析红古区土地利用空间分布特征。通过分析发现:3种微观地形因子对土地利用类型的空间分布影响存在差异;3种宏观地形因子对土地利用类型空间分布变化趋势的影响较为一致。综上所述,本文通过手动标注构建了深度学习数据集,并用于深度学习模型训练,以提取研究区的土地利用信息,通过对比发现改进的DeepLab V3+所得的土地利用分割结果更优,为遥感影像的地物分割研究提供技术支持,为后期分析土地利用的空间分布特征研究提供基础。