对城市建筑物的统计和管理是政府部门非常重要的工作。但是随着城市的扩大,建筑物数量和种类的飞速扩张这个工作变得越来越困难。使用新的技术来解决城市建筑物的统计和管理是时代发展的必然趋势。而本文的主要研究目标就是如何快速准确的找出城市新增的建筑物,以方便工作人员的管理。使用高分辨率遥感卫星图,来识别城市建筑物是近几年研究的热点。过去有一部分专家学者尝试针对遥感卫星图中建筑物的色彩,反射率,形状等特征来对建筑物进行检测。但是这些算法对数据集的质量要求非常高,在面对卫星图像中的,偏差、扭曲、和不同角度拍摄下带来的倾斜问题时显得有些无力。为了改善这些问题,本文提出了一种基于深度生成对抗网络的新增建筑物检测算法。首先会把两张卫星图像通道直接叠加在一起看做一个双倍通道的图像。可以把这个新增建筑物物检测问题简化为一个分割问题。这样就直接分割其中新增的建筑物部分而不用分别识别不同时期的建筑物进行相减。其中深度生成对抗网络中的生成网络使用了一个28层的全卷积神经网络,用来分割出新增建筑物,这个网络在训练中输入叠加后的图像和标准标签,然后进行多次的卷积,下采样和上采样,最后得到一个二维的图像。而判别网络则采用一个5层的全卷积神经网络,输入是生成网络生成的分割图像。然后对图像进行多次卷积操作得到一个向量,最后归一化计算出一个0-1之间的数值以评价输入的图像质量。这个判断结果会加权到生成网络的损失函数之中。在训练中首先固定生成网络,训练判别网络,然后固定判别网络,训练生成网络,反复迭代中判别网络的判别能力不断加强,会给生成网络不断提供新的损失函数,生成网络则可以利用更新的损失函数训练出更好的效果。实验采用了阿里天池大数据竞赛中的公开数据集,对数据集进行了通道拉伸算法使其数值分布更均匀,同时训练集构造过程中采用了随机框选和拉伸来增加训练集的随机性。最后进行实验比较,本文的算法相比U-Net和FCN的F1分数分别提升了5.6%和13.6%。在此次比赛中,也获得了决赛第二名的成绩。