在高分辨率遥感图像中，语义分割是一项极具挑战性的任务，因为物体具有复杂的空间布局和巨大的外观变化。卷积神经网络（CNN）具有出色的提取局部特征的能力，并被广泛地应用于各种视觉任务的特征提取器。然而，由于卷积操作固有的归纳偏向，CNN在建模长距离依赖关系方面不可避免地存在局限性。变换器可以很好地捕捉全局表征，但遗憾的是忽略了局部特征的细节，在处理高分辨率特征图时具有很高的计算和空间复杂性。本文提出了一种用于高分辨率遥感图像语义分割的新型混合结构，以利用卷积运算和Transformer的优势来加强多尺度表征学习。具体来说，本文在Transformer中加入了可变形的自我注意机制来自动调整感受野，并相应地设计了一个编码器-解码器架构来实现高效的上下文建模。在编码器中，不同分辨率的局部特征和全局表征分别由CNN和Transformer提取，并以交互方式进行融合。此外，一个单独的空间分支被设计用来提取多尺度的上下文信息作为查询，不同尺度的特征之间的全局依赖关系由解码器有效地建立。在三个公共遥感数据集上进行的大量实验证明了EMRT的优越性，并表明本文提出方法的整体性能优于目前最先进的方法。