Die semantische Segmentierung von Fernerkundungsbildern spielt eine entscheidende Rolle in einer Vielzahl von Anwendungen, darunter die Bewirtschaftung von Landressourcen, die Überwachung der Biosphäre und die Stadtplanung. Obwohl die Genauigkeit der semantischen Segmentierung in Fernerkundungsbildern durch tiefe Faltungsneuronale Netze erheblich gesteigert wurde, bestehen in herkömmlichen Modellen mehrere Einschränkungen. Erstens führt bei Encoder-Decoder-Architekturen wie U-Net die Nutzung von Multiskalen-Features zu einer Unterutilisierung von Informationen, da niedrigstufige und hochstufige Merkmale direkt ohne weitere Verbesserung zusammengefügt werden. Zweitens werden langreichweitige Abhängigkeiten in Merkmalskarten unzureichend erforscht, was zu suboptimalen Merkmalsdarstellungen für jede semantische Klasse führt. Drittens behindert selbst die Einführung und Nutzung des Dot-Product-Attention-Mechanismus zur Modellierung langreichweitiger Abhängigkeiten die praktische Anwendung von Attention in Szenarien mit großskaligen Eingaben, da Attention hohe zeitliche und räumliche Anforderungen stellt. In diesem Artikel wird ein Multi-Attention-Netzwerk (MANet) vorgestellt, um diese Probleme zu lösen, indem kontextuelle Abhängigkeiten durch mehrere effiziente Attention-Module erfasst werden. Es wird ein neuartiger Attention-Mechanismus namens Kernel Attention mit linearer Komplexität vorgeschlagen, um die hohen Rechenanforderungen von Attention zu verringern. Auf Basis von Kernel Attention und Kanal-Attention integrieren wir lokale Merkmalskarten, die durch ResNet-50 extrahiert wurden, mit ihren entsprechenden globalen Abhängigkeiten und gewichten die miteinander verbundenen Kanäle adaptiv neu. Numerische Experimente an zwei großen, hochaufgelösten Fernerkundungsdatensätzen belegen die überlegene Leistung des vorgeschlagenen MANet. Der Quellcode ist unter https://github.com/lironui/Multi-Attention-Network verfügbar.