基于高分辨率遥感影像的建筑物提取工作,对社会经济、城镇建设、以至抗灾救援都有重要的战略意义。如何更加精准高效地从高分辨率影像（高分影像）中获取建筑物边缘信息,是当前研究的热点。由于建筑物的结构各式各样以及高分影像中的建筑物关键特征受到遮挡或者干扰,所以基于传统算法的高分影像的建筑物提取结果普遍存在提取精度不够、提取时间过长等缺点。因此,如何高精度的从高分影像中提取建筑物是一个重要的课题。随着硬件设备的进步,深度学习领域也快速得发展起来。深度学习算法在图像处理方面具有准确性高、鲁棒性强等优点,所以在进行高分影像建筑物提取时可以引入深度学习使提取精度达到更高。因此,本文分析了建筑物提取领域的国内外研究现状,针对现有方法只提取建筑物边缘而不提取建筑内部几何结构的现状,基于消息传递网络提出了一种多层次的编码-解码网络的建筑物提取方法,本文具体研究内容包括以下两个方面:1)提出了一种基于卷积消息传递网络的建筑物提取方法,整个算法主要由特征提取模块,边缘验证模块组成。特征提取模块使用残差网络Res Net50作为主干网络,生成候选区域;用带扩张卷积的深度残差网络用于提取特征图,便于后续编码操作;边缘验证模块使用解码器对输出的特征图进行上采样,最后在解码器的末端使用一个全连接层输出置信度分数。最后,加入二元交叉熵损失函数,增加模型的鲁棒性。2)基于Space Net数据集和WHU建筑物数据集,本文使用PPGNet,L-CNN和UNet++算法与本文结果进行对比实验,通过分析实验,在区域提取的准确率（Precision）、召回率（Recall）以及F1值（F1-score）的数值上均有优势,表明本文基于消息传递网络提出的多层次编码-解码网络显著优势。