随着城镇化建设进程的推进,城乡建筑物扩张速度日益加快。建筑物作为人类生产生活的物质载体,是地理数据库中一种重要的数据源。准确高效地采集建筑物空间分布与动态变化信息,对于建立房屋调查更新机制、实现房屋常态化监控以及分析人口聚居和流动都有着较大的理论参考和实践意义。高空间分辨率遥感影像承载了目标地物丰富的纹理细节信息与空间结构特征,利用遥感图像进行建筑物信息提取已成为一种重要技术手段。近年来,伴随硬件设备的大幅提升,以及深度学习在图像处理领域呈现强大性能,基于深度学习的高空间分辨率遥感影像建筑物自动提取受到广泛关注。目前国内外对遥感影像建筑物检测与提取多以卷积神经网络为主,且取得了一些较好的研究成果。现有的建筑物语义分割模型主要由医学影像分割演变而来,对于建筑物这类具有明显棱角、较规则形状特征的目标地物,存在浅层特征利用率低,建筑物边缘提取精度低等问题。为此,本文以高空间分辨率影像数据集为主,利用浅层特征对建筑物边缘、几何、纹理表征能力强等优点,提出了两种基于卷积神经网络的高空间分辨率影像建筑物检测与提取方法,为精细分割建筑物边缘提供了解决思路。本文主要工作及研究内容如下:（1）介绍了基于FCN、Unet和Res Net等经典语义分割模型的基本理论和网络框架。鉴于浅层空间特征对建筑物分割模型的引导能力,提出了一种基于富尺度特征融合的双分支语义分割网络（RF-DPNet）。该模型从浅层空间路径提取具有丰富空间信息的高分辨率特征,从深层语义路径获取聚合上下文信息的高级语义特征,确保不同层次特征的高效利用,进而提高建筑物边缘提取精度。（2）针对语义分割模型特征编码获取的浅层空间特征仍存在冗余的空间信息,在后续特征融合阶段会影响模型的拟合速度和分割精度等问题。本文在Double U-Net网络基础上,通过引入建筑物边缘特征引导模型重点关注边缘像素,提出边缘特征增强网络EDU-Net。（3）以高分辨率遥感影像—WHU建筑物数据集为主,对所提的两个模型及当前主流的网络模型:（1）Bise Net、（2）Unet、（3）Dense ASPP、（4）PAN、（5）Deeplabv3+、（6）Unet衍生模型进行建筑物分割性能验证,同时定量、定性分析了各模型在不同场景下建筑物的提取效果,其中RF-DPNet与EDU-Net分割性能指标m Iou分别为91.41%、85.81%。此外,为验证所提方法在不同类型数据集中的普适性能力,将所提模型与对比模型分别在Massachusetts建筑物数据集、中国典型城市建筑物数据集上进行分割性能测试,进一步证实了本文方法的可行性与实用性。