[pt] Esta dissertação visa investigar técnicas de segmentação semântica para a análise de dados de observação da Terra. Dois são os objetivos perseguidos neste estudo. O primeiro é avaliar o potencial de técnicas de segmentação semântica como opção aos métodos tradicionais de segmentação de imagens que tipicamente ignoram a informação semântica. O segundo objetivo consiste em comparar a segmentação semântica com a abordagem típica baseada em objeto (OBIA). O estudo apoia-se numa implementação de segmentação semântica baseada em Campos Aleatórios Condicionais. A estratégia baseada em objeto é representada neste estudo pelo algoritmo de segmentação conhecido como Multiresolução. O classificador Florestas Aleatórias (Random Forests) é utilizado para gerar os chamados potenciais de associação dos campos aleatórios condicionais, bem como para realizar a tarefa de classificação na cadeia de processamento típico da abordagem baseada em objeto. Experimentos realizados sobre duas imagens de altíssima resolução espacial (8 cm) indicaram uma clara superioridade da segmentação semântica, tanto em termos de acurácia espacial quanto de acurácia temática. Embora carentes de uma análise mais aprofundada que permita a generalização de suas conclusões, os resultados obtidos no presente estudo provêm elementos suficientes para encorajar a pesquisa futura sobre a aplicação da segmentação semântica na composição de estratégias sofisticadas de classificação de imagens, em particular sendo parte de modelos baseadas em objeto. / [en] This dissertation investigates semantic segmentation techniques for the analysis of Earth observation data. This study has two main task. The first one is to assess the potential of semantic segmentation techniques as an option to traditional image segmentation methods that typically ignore the semantic information. The second objective is to compare the semantic segmentation with the typical objectbased approach (OBIA). The study is based on an implementation of semantic segmentation based on Conditional Random Fields. The object-based approach is represented in this study by the segmentation algorithm known as Multiresolution. The Random Forests classifier is used to generate the association potentials for the conditional random fields and to perform the classification task in a representative implementation of the typical object-based approach. Experiments carried out on two high spatial resolution images (8 cm) indicated a clear superiority of semantic segmentation, both in terms of spatial accuracy and thematic accuracy. Although a more extensive analysis is required for the generalization of the aforementioned conclusions, the results of this study provide enough evidence to encourage a future research on the use of semantic segmentation to compose sophisticated image classification models, in particular being part of models inspired in the OBIA approach.