随着空间对地观测技术的飞速发展和各类传感器成像质量的大幅提高,促使遥感技术成为大区域对地探测的重要手段,如何高效精准的从遥感数据中提取到有用信息一直是遥感领域的研究热点,其中遥感影像语义分割和变化检测研究是最常用的两种提取手段,但传统的语义分割和变化检测方法在目标提取精度和效率上已经不能和快速发展的社会需求相匹配。深度学习技术的出现打破了传统技术的困境,深度学习技术中的卷积神经网络能够更加高效和准确的提取到影像中的特征信息,从而实现更高准确率的遥感影像语义分割和变化检测。本文总结了国内外语义分割和变化检测方法的发展趋势,阐述了利用卷积神经网络进行建筑物提取方法,对现有模型中存在的问题进行研究和分析,在此基础上进行网络模型改进和优化,主要研究包括以下工作:（1）提出了一种基于DSNet网络的语义分割模型,在UNet网络中增加桥接模块,改进网络结构,从特征图的多个维度捕捉影像语义信息;添加用于平衡类别差异的多重损失函数,解决数据类别不平衡差异问题,提高语义分割精准度;并改进网络中的优化器,提高模型的训练效率;从谷歌地图获取影像并制作数据集,利用数据增广方法扩充数据量;对模型进行训练和评估,与对比模型进行比较。（2）提出了一种基于sc UNet++网络的变化检测模型,在UNet++网络中加入空间注意力模块和通道注意力模块,增加卷积核感受野,改善卷积过程中的局部约束,在空间维度和通道维度上捕捉更多输入特征信息,从而提高变化检测精度;从网络上获取公开的变化检测数据集,利用影像裁剪和数据增广方法扩充数据集;对模型进行训练和评估,与对比模型进行比较。（3）设计和实现了一个深度学习功能与2S集成的窗体应用程序,通过融合Python语言和C#语言,将深度学习功能集成到以Arc GIS二次开发为基础的窗体程序中,让基于卷积神经网络的语义分割和变化检测过程更加直观,提高神经网络模型的训练效率和本文方法实用性。