在遥感图像中，基于卷积核的低阶特征在遇到剧烈的视角变换和大气散射时容易失真。针对这一问题，本文首先提出了基于高阶信息对遥感图像进行语义分割，该方法能够表征低阶特征之间的相对关系，在特征失真时具有鲁棒性和稳定性。此外，语义解耦近年来得到了很好的研究，并在图像解耦方面取得了显著的改进。为此，本文提出了一种基于高阶特征的高阶语义解耦网络(High-order Semantic Decoupling Network, HSDN)。具体来说，HSDN首先通过计算像素级亲和力作为高阶特征来表示每个像素，然后将这些像素聚类为不同的语义。随后，针对语义组内和语义组间设计了一个类注意掩码生成模块，得到了三种掩码，其中语义解耦掩码(semantic Decoupling mask, SDM)利用每个高阶聚类质心作为掩码，对聚类内的特征进行压缩，并对不同的聚类间进行扩展，从而更好地提高语义解缠性能;语义增强掩码(Semantic Enhancement Mask, SEM)，用于记录类内像素级的相对相关性，以充分利用高阶特征，增强特征的鲁棒性;边界补充掩码(BSM)，旨在处理边界像素以减少聚类错误。最后，通过对类内像素和边界像素加掩码，生成语义解耦特征并拼接，实现分割。在两个大范围的高分辨率遥感影像数据集上进行了定量和定性实验，验证了采用高阶表示的显著性能。此外，我们还实施了大量的实验来验证所提出的语义解耦框架在处理复杂和容易失真的遥感图像分割任务时的有效性。
