建筑物作为城市区域的重要特征,是占主体地位的地物目标,在遥感图像上,建筑物分割在重要目标的识别及定位、国防安全和掌握建筑物实时位置等方面都有着重要研究意义和应用价值。由于不同时相遥感图像受角度、光照、季节等因素的影响,以及建筑物周围背景,如道路、树木及其它地物阴影等干扰,使遥感图像建筑物的分割成为高分辨率遥感图像分割中最具挑战性的任务之一。图像语义分割的问题本质是对图像中像素标注为所在物体的类别。传统的图像分割的大部分算法是根据像素的相似程度进行聚类,或根据纹理或者区域间的色差进行划分,只能对与背景相差较大的物体完成分割。近年来在对遥感图像建筑物的分割中,利用深度学习的方法对图像语义分割取得较大进展,但在训练过程中存在梯度爆炸、梯度消失;受遥感图像中道路、桥梁和阴影等干扰因素影响较大;利用卷积运算提取图像特征时感受域较小且各层级上下文特征无关联导致分割精度难以提升等问题。因此,本文针对上述问题,基于深度学习理论,研究了基于多尺度特征融合的高分辨率遥感图像建筑物分割的方法,研究内容主要包括以下几个方面:（1）针对深度学习网络模型训练过程中因网络层数的加深会导致误差在反向传播时出现梯度消失和梯度爆炸等现象,以Res Net网络结构为基础模型,构建编码器-解码器结构提取建筑物特征信息,并通过批量规范化对数据进行规范化处理,使训练过程中模型收敛速度加快,实现遥感图像建筑物的精确分割。在WHU Building change detection dataset遥感图像数据集和Satellite dataset遥感图像数据集上的实验结果验证了构建模型的有效性。（2）针对Unet模型在遥感图像建筑物分割过程中模型收敛速度较慢,且受图像中树木、道路等因素干扰误分割现象较为明显的问题,提出一种UNet-Res Net的遥感图像建筑物分割模型,模型以Unet为基础模型,用深度残差网络Res Net的特征提取结构代替Unet左侧特征提取结构来增强模型的特征提取能力,再将Res Net中深度残差结构提取的各层特征信息进行融合实现遥感图像建筑物的精确分割,所提模型有效克服了树木、道路等干扰因素对建筑物分割带来的影响。在WHU Building change detection dataset遥感图像数据集和Satellite dataset遥感图像数据集上的实验结果验证了UNet-Res Net模型的有效性。（3）针对深度神经网络在提取特征时难以有效描述遥感图像细节特征,且存在因复杂场景下道路、树木及建筑物之间分割边界不清晰导致分割精度下降等问题。提出一种基于多尺度特征融合空洞卷积Res Net（MFDC-Res Net）遥感图像建筑物分割模型,利用空洞卷积增强提取特征的感受野,通过改进的空洞卷积中心点特征提取方法增强模型对遥感图像特征信息的描述能力,利用多尺度特征融合模块在多个层次的特征图上获取的更大范围的遥感图像建筑物上下文信息,有效克服了遥感图像中道路、树木、建筑物阴影、建筑物不规则及建筑物距离相隔较近等因素的干扰,提升了遥感图像中建筑物的分割精度。在WHU Building change detection dataset遥感图像数据集上验证了MFDC-Res Net模型的有效性。