地物目标分割作为地球视觉任务中的基础性问题，在高空间分辨率（HSR）遥感影像中始终面临尺度变化、背景类内差异大以及前景与背景之间不平衡等挑战。现有的通用语义分割方法主要针对自然场景下的尺度变化问题，但在大范围地球观测场景中，后两个问题尚未得到充分关注。本文从关系建模、优化策略与目标性建模三个角度出发，提出了一种面向前景感知的关系网络（FarSeg++），有效缓解了上述两大难题。从关系建模的角度，本文设计了前景-场景关系模块，通过利用与目标-场景关系相关的前景相关上下文信息，增强前景特征的判别能力。从优化策略的角度，提出前景感知优化机制，在训练过程中聚焦于前景样本及背景中的难例样本，实现更均衡的优化过程。此外，从目标性建模的角度，设计了前景感知解码器，以提升对目标性的表征能力，从而缓解由经验上界分析揭示出的目标性预测这一主要瓶颈问题。为进一步验证所提方法的有效性，并推动目标性预测技术的发展，本文还构建了一个新的大规模高分辨率城市车辆分割数据集。实验结果表明，FarSeg++在性能上优于当前最先进的通用语义分割方法，在速度与精度之间实现了更优的权衡。