近年来,随着卫星和无人机技术的不断发展,遥感影像成为了全球和区域范围内对地观测与分析的主要数据源。对包含大量光谱、纹理以及上下文等细节信息的高分辨率遥感影像进行解译,已经成为了地表覆盖分类等空间地理信息数据智能分析的主流方法。目前,在地表覆盖分类数据的实际生产过程中,广泛采用的依然是基于人工的遥感影像目视解译方法,耗时耗力、效率低下。因此,针对地表覆盖分类任务的特点,研究高分辨率遥感影像自动分类方法,具有重大的理论意义和实用价值。遥感影像语义分割是遥感影像地表覆盖自动分类的基本方法,也是遥感影像智能解译的核心问题。当前,基于深度学习理论的全卷积网络模型在许多数据集上的表现超越传统的基于像素和面向对象分类方法,具有极大的应用潜力。然而,现有针对遥感影像语义分割的研究大都直接采用自然场景影像语义分割的模型与方法,多数方法并未针对遥感影像的特殊性进行模型结构、训练与后处理方法的改进。此外,全卷积网络模型的训练需要大规模样本数据集。遥感影像语义分割数据集,特别是与遥感影像对应的人工标注数据仍然相对缺乏,限制了深度网络模型在生产实际中的推广应用。本文针对以上问题,提出了基于深度对称密集混合全卷积网络（SDFCN）模型,并在此基础上设计了一种面向高分辨率遥感影像的全自动地表覆盖分类框架和面向目标域小样本的深度迁移学习方法。本文主要研究内容与贡献如下:1.本文梳理了目前主流的全卷积网络模型在处理遥感影像时存在的问题,基于扩大感受野与减少参数数量的指导原则,提出了基于深度对称密集混合全卷积网络（SDFCN）模型。在SDFCN模型中,采用提升模型感受野范围和模型稀疏性的混合连接模块、基于空间通道融合挤压激活（SCFSE）的权重重标定结构、对称的“编码器——解码器”结构设计、跨越“编码器——解码器”结构的捷径连接以及多尺度输出的训练方法。在四个公开数据集和两个自动化构建的数据集中的实验表明,SDFCN模型大大提升了模型的泛化能力和预测精度,具备应用于地表覆盖分类任务中的实际可行性。2.本文以地理国情地表覆盖分类任务为例,提出了一种包含样本数据集构建、模型预测以及分类后处理方法的基于SDFCN模型的联合栅格、矢量一体化遥感影像地表覆盖分类框架,极大提升高分辨率遥感影像地表覆盖分类任务的自动化、智能化程度,降低人工成本。该框架一方面能够充分利用业务部门已有的海量遥感影像和矢量成果数据,自动化构建大规模样本数据集,另一方面,框架中基于掩膜加权投票法的解译结果融合方法,结合了重叠预测、旋转预测以及掩膜加权等策略,能够有效缓解因影像分块预测产生的格网效应,平滑最终分类效果中地物间的轮廓。3.本文首次将基于中心矩差异最小化方法引入到全卷积网络模型的迁移学习中来,实现了SDFCN模型的边缘分布自适应。在此基础上,本文提出了基于中心矩差异最小化的目标域小样本模型调优迁移学习方法,让模型在“影像相对过剩、标注数据相对匮乏”的局面下,充分学习源域中的监督知识和目标域中大量无标注遥感影像的非监督先验知识,提升模型在目标域小样本情况下的迁移学习能力和效率,降低了遥感影像语义分割迁移学习对目标域标注样本数量的要求。本文围绕全卷积网络模型和深度迁移学习理论,开展对遥感影像语义分割特别是地表覆盖分类模型、框架和迁移学习方法的研究。大量对比实验的精度评定与结果分析,验证了本文所提出方法的有效性和可靠性。