近几年,遥感图像的信息数据提取和三维场景的重建与渲染受到了研究者的广泛关注。由于地物(道路或河流)与周边背景的色差大小不一,采用单一方法进行信息数据提取会导致准确度不高或者效率低下的问题,无法满足需求。因此,针对地物与背景色差的两种情况,本文提出了两种方法对遥感图像地物信息数据进行提取。当遥感图像量较少且提取的地物颜色与背景颜色相差较大时,造成需要大样本的信息提取方法无法将信息准确地提取出来,从而本文采用模糊C均值聚类算法和支持向量机算法对遥感图像依次进行初次像素分类和地物像素划分,然后利用Bwareopen和Mathematical Morphology方法对图像去噪,得到地物像素集合。当地物颜色与背景颜色相差不大且训练的遥感图像数据量较多时,使用某些机器学习方法提取出的图像数据存在较多噪声,针对此情况本文提出了一种基于全卷积残差网络模型地物像素划分方法。该方法首先使用全卷积残差网络从大量遥感图像样本集中学习数据集的特征,然后通过训练得到可以检测遥感图像特征的网络模型,最后利用该模型将图像划分为地物和非地物。另外,针对于重建与渲染问题,传统的三维场景中地物的重建与渲染采用Delaunay三角剖分即“分割-归并”算法,该算法时间复杂度高,无法满足地形数据量较大时的实时性需求。因此,基于全卷积残差网络算法提取的地物信息控制点数据,本文提出了一种三维场景构建与多层次渲染的快速方法。该方法首先通过三次B样条曲线函数将地物中心控制点拟合为地物中央线,然后根据地形多分辨率层次对地形数据进行修改,并重建地物模型,最后通过地形分辨率层次对地物模型进行多层次渲染,实现远距离模糊,近距离清晰的效果。