目标提取是高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）领域中的热点问题,从高分辨率SAR图像中自动提取机场跑道区在军事和民用领域都具有重要的研究意义。然而,在SAR图像中,机场与周围物体的区分仍然是一个具有挑战性的问题。论文利用深度学习中语义分割的方法来实现机场跑道区的提取,主要研究工作如下:（1）针对高分辨率SAR图像中机场跑道区提取易受背景信息干扰的问题,本论文提出了一种多分辨率的密集双注意力网络架构来实现高分辨率SAR图像机场跑道区提取。针对背景信息中目标灰度和纹理与跑道区相似度较大,论文引入双注意力机制来实现特征筛选,采取密集连接来加强特征间信息的相互传递和融合。首先对高分辨率SAR图像进行5倍降采样后制作数据集,使得样本尽量包含更多的跑道区特征;然后将处理后的图片输入到密集双注意力网络架构中实现跑道区特征的学习和提取,最后采用5倍上采样得到高分辨率SAR图像的机场提取结果。对三组不同类型的高分辨率SAR图像的实验表明,本文提出的方法对机场的平均像素精度（MPA）达0.98、平均交并比（MIOU）达0.97,能实现高分辨率SAR图中的机场跑道区的高精度自动提取。（2）针对目前机场检测速度较慢的问题,本论文提出了一种基于地理空间上下文注意力机制的高分辨率SAR图像机场跑道区快速检测方法。针对目前缺乏公共SAR机场数据集,小样本数据集能大大节约人工标注时间,该方法有效的结合了 SAR图像分析的地理空间领域知识、上下文信息和注意力机制来适配小样本数据集。首先将SAR样本进行5倍下采样后制作成小样本数据集;然后输入特征提取网络中,该网络包含了编码块和解码块,编码块中包含改进骨干网络ResNet101、多尺度注意金字塔和边缘细化模块,编码块融合提取多尺度特征后输入解码块,解码块采取边缘细化解码来提取跑道区边缘特征和全局特征;然后采用坐标映射得到跑道区提取结果,最后采用二值轮廓检测法实现了机场检测,进一步减轻了网络训练负担。实验表明,该方法对机场的MPA达0.9850,MIOU达0.9536,对小样本数据集的训练时间仅需2.25h,三个机场的平均测试时间只需18.15s,无论精度还是效率都优于目前主流的语义分割方法,真正实现了高分辨率SAR图像中机场的快速自动检测。