高空间分辨率的遥感影像中有着十分丰富的地物信息,目前,如何快速、准确的从高空间分辨率遥感影像中提取出人们所需的地物信息,是遥感技术应用研究的热点之一。由于大部分城市的构成都具备一定的复杂性,因此,城市建筑物信息的提取便成为了高空间分辨率遥感影像处理的难点和热点。建筑物信息对于城市规划与管理、城市建设等相关工作有着十分重要的作用,是一种基础地理信息数据。高空间分辨率遥感影像建筑物提取技术在精度和效率上的提升有利于高空间分辨率遥感影像在城市规划与管理、智慧城市建设等领域的深入应用。目前在处理高空间分辨率遥感影像建筑物信息提取的实际工作中,通常采用传统的面向对象分类方法和浅层机器学习方法。面向对象分类方法需要人工进行分割参数选择及特种选取,分类过程需要耗费大量人力和时间成本;基于浅层机器学习方法的建筑物信息提取由于模型的浅层结构导致该方法难以得到较好的提取效果。深度学习技术是机器学习技术的延伸,是近年来快速发展的一门新兴技术,目前已成功应用于图像识别、语音识别及自动驾驶等许多领域,深度学习方法能够自动学习和提取影像的浅层与深层特征,运用这些特征进行遥感影像的自动分类,该方法已取得一定的成绩,具备较大的应用前景。为了得到更好的建筑物信息自动提取结果,以促进高空间分辨率遥感影像建筑信息快速、准确、自动提取的并成功应用到实际项目中,本文基于深度学习的方法,开展了高空间分辨率遥感影像建筑物信息提取的研究。论文的主要研究内容及结论如下:(1)对广泛使用在医学图像处理领域的UNet++网络型进行了研究与实现,使用建筑物数据集对其进行了训练与建筑物信息提取实验,实验表明UNet++在原始网络状态就拥有较高的模型精度与语义分割能力,相比于典型的U＿Net在建筑物信息提取方面拥有较大的优势;(2)针对金字塔分割网络(Pyramid Scene Parsing Network,PSPNet)能够实现全局场景语境信息的理解能力,但是其网络结构不够简洁,参数量较大,计算复杂度较大,同时稠密卷积网络(Dense Convolutional Network,Dense Net)拥有充分利用特征、能够减少模型参数量等特点,将Dense Net引入PSPNet中以改进网络模型,并对模型进行压缩处理。结果表明优化后的网络模型参数量仅为原模型参数量的0.68,大大的减少模型的计算量;通过训练和测试,表明优化后的网络模型减少模型参数量的同时保证了网络模型在建筑物信息提取上的精度;(3)针对Deep Labv3+网络模型存在的模型计算量过大,模型参数过多等问题,研究引入轻量化的网络模型Moblienetv2对其进行优化改进;为了使数据集能够满足网络模型的训练要求,对实验采用的数据集进行了数据增强处理。经过改进,使用Moblienetv2网络改进的模型最终参数量仅有10mb,网络模型的验证集MIo U与测试集MIo U都达到了90%以上;(4)制作了昆明市主城区部分区域的建筑物数据集,并使用UNet++、New＿PSPNet、改进后的Deep Labv3+模型分别进行了建筑物提取实验,实验结果表明改进后的Deep Labv3+模型在建筑物提取精度和模型鲁棒性上表现均为最优,其在该建筑物数据集上的MIo U达到了0.87。