遥感图像居民区分割使得我们可以快速定位居民区地理位置,对我国的人口转移、城市规划、道路建设、以及土地测量都有重大意义。随着城市化建设,居民区也在随时间发生改变,在这种情况下对时效性和准确性都有了更高的要求。本文研究了深度卷积神经网络框架和生成对抗网络相关理论,针对居民区卫星图像分割的一些挑战性问题,提出了相应的解决方法,本文主要研究内容和创新点如下:（1）由于遥感图像像元关系复杂、数据量巨大,传统Gabor滤波方法自动化程度低、精度不高,同时Gabor滤波方法和FCN网络存在明显的孔洞。U-Net网络优于另外两种方法,训练时间短但存在边缘丢失现象。本文研究居民区分割问题,首先搜集高分一号遥感影像并进行处理构建居民区数据集,然后在研究传统Gabor滤波方法和FCN、U-Net语义分割网络方法的基础上,针对遥感图像居民区分割存在的孔洞和边缘不准确的问题,结合生成对抗网络的理论知识,提出一种分割对抗网络（S-GAN）,同时引入一种新的损失函数L_SEG损失函数用于解决分割孔洞和边缘不准确的问题。（2）首先构造生成网络用来学习遥感图像居民区分布规律并生成居民区分割结果图;然后使用patch方法搭建判别网络,用于区分生成网络生成结果图和人工标注图。生成网络试图欺骗判别网络,判别网络尽可能区分生成结果图,传播误差训练生成网络,通过这种交替对抗式训练使得生成网络生成的分割结果图与标签图尽可能相似,从而获得更好的分割结果。在居民区数据集上进行实验,同时对不同地理环境影像分割效果分别进行了展示,并平原和山地两种环境下分割效果的m IOU进行了对比。结果表明S-GAN方法能消除分割区域内部的孔洞,边缘更准确。与Gabor滤波方法和FCN方法相比具有更好的鲁棒性,同时可以优化U-Net网络分割边缘效果。