地表建筑物提取对于当今城市规划和经济发展具有重大现实意义,对地观测卫星和无人机能提供大量高分影像数据源,随着遥感图像数据量的日益庞大,图像处理的难点已经从获取困难转变成处理能力低下。深度学习神经网络具备自主分析遥感影像数据所携带细节信息的能力,众多学者将其应用于遥感图像语义分割领域并取得一定成果,但仍存在提取精度不高、后处理效果不好等局限之处。针对这些问题,本文改进经典的语义分割网络进行建筑物提取研究,以实现对无人机数据集中建筑物精准、高效的提取。本文对国内外深度学习建筑物提取研究现状进行调研,选取青海省玉树藏族自治州称多县作为研究区域。利用无人机作业得到遥感影像并通过滑动窗口裁剪得到影像切片图,为防止模型产生过拟合利用随机擦除数据增强操作提升数据复杂程度,增强网络泛化能力。进行人工标注制作标签数据,创建无人机数据集。基于无人机数据集和开源WHU数据集,对比PSPNet、SegNet、Deeplabv3+和U-Net四种经典语义分割网络的建筑物提取效果。训练过程中计算模型在验证集上的表现,结合早停法训练技巧使模型在验证集上的表现开始下降时停止训练。对提取结果进行形态学后处理,使建筑物轮廓更加平滑,建筑物区域内细小空洞和非建筑区域阴影碎片得以去除,断裂线得到弥合。实验结果表明U-Net网络具有较强鲁棒性和普适性。针对遥感影像背景复杂、目标地物尺度差异较大、存在漏检及错检现象的问题,选取U-Net网络结合空洞卷积、正则化方法以及scSE注意力模块进行网络架构改进。引入空洞卷积以扩大网络感受野,提高各种不同尺度背景信息的利用效率,增强网络对复杂特征的表达能力;引入正则化方法以解决网络的过拟合问题,提高网络泛化能力;引入scSE注意力模块可以有效提取特征图上的显著信息,强化网络对建筑物特征的识别能力,减少浅层特征和深层特征的语义差异。为探究不同改进策略对实验结果造成的具体影响,基于无人机数据集进行改进网络消融实验,结果表明空洞卷积和正则化方法使U-Net经典网络总体精度提高2.2%,F1-Score提高0.9%,交并比提高1.9%;scSE注意力模块使U-Net经典网络总体精度提高2.9%,F1-Score提高0.4%,交并比提高2.1%,Kappa系数提高2.8%,加入全部改进策略的总体精度提高3.6%,F1-Srore提高2.8%,交并比提高2.9%,Kappa系数提高2.9%,数据证明本文每个改进策略均有意义和效果,改进的U-Net模型具有更强的泛化能力和更高的提取精度。该论文有图49幅,表8个,参考文献63篇。