近年来,遥感影像的空间分辨率不断提高,数据量急剧增加,丰富的地物信息更为城市规划、遥感制图、灾害监测等领域提供了海量数据。建筑物阴影在城市高分辨率遥感影像中普遍存在,阴影的存在会使影像局部区域丢失大量信息,影像质量降低,影响后续进一步应用的准确性。此外,阴影又是遥感影像重要的有用信息,可以利用阴影反演建筑物高度,有利于获取建筑物的位置信息及几何信息。传统的阴影提取方法主要是基于阴影光谱、几何、纹理等特征来提取,该方法需要从外界获取大量先验知识,且人工干预过多,导致在海量数据中阴影提取的准确率和效率较低,不能较好的满足实际工程化应用的需求。因此,从遥感影像上准确、高效的自动化提取建筑物阴影具有重要的研究意义和应用价值。本文采用深度学习技术对建筑物阴影进行像素级语义分割。针对遥感影像数据量大、特征复杂的特点,在经典图像语义分割模型U-Net的编码器-解码器架构基础上,本文提出了一种基于注意力机制的建筑物阴影分割网络(Attention-based Building Shadow Segmentation Network,ABSS-Net),并通过建立遥感影像阴影数据集来进行实验,以验证和评估网络的有效性。本文主要工作内容如下:(1)实验数据分为遥感卫星QuickBird影像和航空影像两种数据类型,分别采用人工标注方式制作数据集,并将航空影像数据集划分为2000、6000及10000三个不同量级,便于后期进行对比实验。为了提高模型训练的泛化能力,设计了数据预处理流程,如高斯滤波、直方图均衡化及数据增强等操作。(2)针对原始U-Net模型对特征关注度不够高的情况,在网络编码器端下采样时加入了基于注意力机制的特征提取模块,来加强模型对提取特征的充分表达和理解。此外,在下采样与上采样特征融合阶段,设计了一种基于注意力机制的特征图融合算法来加强浅层特征和深层特征的数据流动。(3)针对数据集正负样本不平衡情况,在二分类交叉熵损失函数基础上进行改进,加入了平衡因子来抑制模型对负样本的过度表现。在进行预测任意尺寸大图时,防止出现边缘预测不准现象,提出了基于边界填充的膨胀预测方法。(4)为了验证本文方法的有效性,将本文方法和U-Net模型分别在遥感卫星影像和航空影像上进行定性、定量的精度评价。另外,为了验证本文方法在不同量级数据集和不同数据源上的效果,进行了相应的对比实验和精度评价。实验结果表明:本文提出的ABSS-Net分类结果要优于经典模型U-Net,在各项平均准确率指标上,提高了4个百分点左右,总体精度达到98%。此外,ABSS-Net模型能有效检测出阴影投影在建筑物及植被上的目标区域,并能对建筑物阴影与水体进行较好区分。研究结果证明了本文方法的有效性,在场景应用中有一定的实用价值。