建筑物作为城市重要人工地物之一,基于高空间分辨率遥感影像进行建筑物信息提取在城市建筑智能普查、不动产登记、城市建设等领域中发挥着重要作用。由于建筑物自身的复杂性,传统提取方法无法高效准确地完成建筑物自动化提取,因此,如何精确、快速地实现高分辨率影像中建筑物自动化提取成为当前亟待解决的问题。传统提取方法中,目视解译法虽有较高的提取精度,但提取过程耗时耗力,不适合大范围推广。传统机器学习和卷积神经网络算法较目视解译法在提取速度上有明显提升,但提取精度相对较低。针对以上研究的不足,本文先对常用的全卷积神经网络算法进行实验,确定U-Net为本文基础网络模型,然后在U-Net基础上引入不同形式的注意力机制,构建出SE-Unet、CBAM-Unet和SK-Unet三种建筑物提取网络模型,最后基于SK-Unet网络模型使用数据依赖上采样构建出本文用于建筑物自动化提取的SD-Unet网络模型。论文主要研究内容及结果如下:（1）采用WHU数据集中卫星建筑物数据库中的数据集Ⅱ作为原始数据,利用数据增强手段建立适用于本研究的建筑物数据集。（2）为验证常用的全卷积神经网络U-Net、SegNet、LinkNet的提取性能,将其在本文制作的数据集上进行实验,并确定本文的基础网络模型。实验结果表明:U-Net网络模型以74.84%的交并比、83.72%的召回率、84.95%的F1分数以及98.85%的总体精度成为本文常用的全卷积神经网络模型中最优模型,所以本文选用U-Net为基础网络模型,并在U-Net模型基础上进行改进和优化以提高其对建筑物的提取能力。（3）针对常用的全卷积神经网络因神经元接受域大小固定和短程语境的限制,通过引入三种不同形式的注意力机制,构建出SE-Unet、CBAM-Unet和SK-Unet建筑物提取网络,并在数据集上进行实验。实验结果表明:与U-Net网络模型相比,SE-Unet、CBAM-Unet和SK-Unet网络模型对建筑物提取精度有明显地提升,其中引入卷积核注意力机制的SK-Unet模型在交并比、召回率、F1分数、总体精度上达到最优,分别为:75.90%、87.33%、85.55%、98.81%。通过对比分析 SE-Unet、CBAM-Unet 和 SK-Unet模型的PR曲线和ROC曲线,证实了 SK-Unet网络具有优越的提取性能。（4）针对传统双线性上采样恢复预测能力有限,在SK-Unet基础上引入数据依赖上采样,构建出SD-Unet模型并在数据集上进行实验。实验结果表明:SD-Unet模型在实验数据集上取得较优的提取精度,在交并比、F1分数、精确度、总体精度上分别为76.25%、85.85%、86.13%、98.86%。利用SD-Unet模型的预测概率图绘制出该模型的PR曲线和ROC曲线并与其它模型的PR曲线和ROC曲线进行对比分析,发现SD-Unet是本文所提网络模型中性能最优的模型,证实数据依赖上采样具有较强的恢复预测能力。（5）针对全卷积神经网络提取到的建筑物边缘较为粗糙,利用曲线压缩和最少顶点压缩算法对建筑物边缘进行优化,使建筑物整体轮廓更加规则,更有利于建筑物电子地图更新和使用。