建筑物是一座城市中最为广泛的信息,有效的建筑物分割与识别技术,具有重大的学术研究意义及广阔的发展前景。建筑物的分割与识别技术是人工智能领域的重要内容,准确高效的分割与识别建筑物有助于无人汽车和无人机快速分析其周边环境建筑物信息,定位自身位置,完成无人配送、无人机侦察、无人机救援等任务。本文围绕建筑物图像开展相关工作,对建筑物的分割和识别技术进行了研究:在建筑物的分割技术研究方面,本文分别对基于边缘的建筑物分割技术和基于分水岭变换的建筑物分割技术进行了研究,介绍了两种分割技术的原理,通过实验得到了分割建筑物图像的效果。在此基础上,提出使用MASK RCNN网络分割建筑物图像,分析了MASK RCNN网络构架,设计了MASK RCNN网络分割建筑物图像的流程,并使用Label Me软件制作了建筑物图像数据集。在使用支持向量机对建筑物进行识别的研究方面,本文提出了一种改进的HOG算子的方法对建筑物图像的轮廓特征进行提取。融合使用Canny算子与HOG算子提取建筑物图像的特征向量,通过特征向量描述建筑物图像的轮廓特征。选取了Libsvm库中的V-SVR支持向量机对建筑物图像进行分类,通过实验选取合适的核函数,利用网格寻优法确定核函数的参数,并使用谢菲尔德建筑物数据集对该识别方法进行测试及验证。在使用卷积神经网络对建筑物进行识别的研究方面,本文提出使用移动轻型网络Mobile Net对建筑物图像进行识别,并提出了一种改进的Mobile Net网络结构识别建筑物图像。使用谢菲尔德数据集验证改进的Mobile Net网络模型的识别性能,并与Inception V1网络模型和VGG16网络模型的识别性能进行了对比。为测试与验证建筑物图像分割后的识别效果,在谢菲尔德建筑物数据集的基础上制作了A类建筑物数据集和B类建筑物数据集,分别使用两类数据集对改进的建筑物识别方法进行实验测试。实验结果表明,使用改进的HOG算子的方法识别建筑物平均准确率为97%以上,使用改进的Mobile Net网络识别建筑物平均准确率高达99.85%,具有很好的识别效果。