为提高遥感图像语义分割精度，解决深度卷积神经网络（DCNN）特征提取过程中小尺寸目标信息丢失的问题，提出一种基于多尺度特征融合的语义分割方法FuseSwin。首先，在Swin Transformer中引入注意力增强模块（AEM），以突出目标所在区域并抑制背景噪声的干扰；其次，利用特征金字塔网络（FPN）融合多尺度特征的细节信息和高级语义信息，以补充目标的特征；最后，通过空洞空间金字塔池化（ASPP）模块从融合特征图中进一步捕获目标的上下文信息，提升模型分割精度。实验结果表明，所提方法在Potsdam遥感数据集上的平均像素准确率（mPA）和平均交并比（mIoU），与DeepLabV3方法相比，分别提高了2.34、3.23个百分点；与SegFormer方法相比，分别提高了1.28、1.75个百分点，优于目前主流的分割方法。此外，将所提方法实际应用于广西钦州茅尾海的高分辨率遥感图像中的蚝排识别与分割，分别取得96.21%、91.70%的像素准确率（PA）和交并比（IoU）。
