El trigo de invierno es uno de los principales cultivos para la seguridad alimentaria global. Las estadísticas precisas de su área de siembra desempeñan un papel crucial en la formulación de políticas agrícolas y la gestión de recursos. Sin embargo, los métodos existentes de segmentación semántica para imágenes de teledetección están sujetos a limitaciones en el manejo de ruido, ambigüedad y heterogeneidad intraclase, lo que tiene un impacto negativo en el rendimiento de la segmentación de la distribución espacial y el área de los campos de trigo de invierno en aplicaciones prácticas. En respuesta a los desafíos anteriores, propusimos en este documento un modelo mejorado de segmentación semántica basado en HRNet. En primer lugar, este modelo incorpora un módulo de dominio semántico (SDM), que mejora la precisión del modelo en el análisis semántico a nivel de píxel y reduce la interferencia del ruido a través de la representación de clases en múltiples escalas de confianza. En segundo lugar, se incorpora un módulo de atención anidado (NAM), que mejora la capacidad del modelo para reconocer correlaciones correctas en las clases de píxeles. Los resultados experimentales muestran que el modelo propuesto logró un índice de intersección medio sobre unión (mIoU) del 80.51%, una precisión del 88.64%, una recuperación del 89.14%, una precisión global (OA) del 90.12% y una puntuación F1 del 88.89% en el conjunto de pruebas. En comparación con los métodos tradicionales, nuestro modelo demostró un mejor rendimiento de segmentación en tareas de segmentación semántica de trigo de invierno. Los logros de este estudio no solo proporcionan una herramienta efectiva y soporte técnico para medir con precisión el área de los campos de trigo de invierno, sino que también tienen un importante valor práctico y una profunda importancia estratégica para optimizar la asignación de recursos agrícolas y lograr una agricultura de precisión.