农业土地资源是国家战略资源,也是人民赖以生存和发展的物质基础。快速精准地感知农用地信息是实现农业土地资源有效保障的关键一环。高分辨率数据包含了更丰富的特征信息、更清晰的邻域空间关系信息以及更复杂的光谱特征信息,为农用地自动分类提供了发展机遇。在农用地分类的实际应用中,传统目视解译法、基于统计分析的分类方法以及机器学习分类方法已得到广泛应用,并逐渐向更高层次的智能化方向发展。但在高分遥感影像农用地自动化提取研究中,仍存在不同地类样本不均导致的模型训练效率较差以及模型对于样本缺失的地类分类效果不理想等问题。因此,本文围绕农用地分类问题,结合了高分辨率卫星影像特点与农用地分类要求,研究了卷积神经网络语义分割方法、特征提取方法与分类方法,利用解耦自注意力模型进行了高分辨率卫星影像农用地分类的关键技术优化,结合目标检测领域中针对样本不均的OHEM方法,构建了针对深度学习性能较优异的DNL语义分割模型改进的R-DNL网络,实现了复杂场景下的农用地分类特征的提取与融合,提高了农用地分类精度与效率。研究结论如下:（1）经实验验证,深度学习领域中经典的U-Net网络、DNL网络可成功地迁移至本研究——基于高分辨率遥感影像的农用地覆盖多分类语义分割研究。其中DNL网络训练所得模型在各地类的地类区分度上优于传统的经典语义分割U-Net网络。验证了D NL网络提出的解耦自注意力模型可使其相比传统语义分割网络拥有更高的特征提取效率与效果,分别在总体精度（OA）与平均交并比（mIoU）上取得了2.46%和3.11%的精度提高。（2）本文提出的R-DNL网络主要思想在于,通过提高DNL网络中特征提取效果,更深入地对特征图信息进行挖掘,从而使模型最终的DNL特征增强模块得到更好的农用地覆盖分类语义分割结果。经过模型训练与模型对比分析可得,本文提出的R-DNL深度自注意力机制模型的分类效果明显优于DNL与基准实验U-Net网络。具体而言,模型在总体精度（OA）与平均交并比（mIoU）上分别较U-Net网络提高了5.66%与8.25%。与DNL网络相比分别获得了3.2%和5.14%地精度提升。（3）本文提出了基于像元的OHEM样本提取训练方法,分别应用于DNL网络与本文提出的R-DNL网络以验证该方法的有效性。实验结果表明本文提出的基于像元的OHEM方法可有效改善模型中不平衡样本的类别的训练效果,最终在R-DNL网络实验中各类别F1-Score分别取得0.79%、5.81%、0.80%和2.29%的精度提升;在总体精度（OA）与平均交并比（mIoU）上分别提高了1.31%和3.13%。