从遥感图像中提取建筑区域面积对于评估一个地区的发展程度具有重要的意义。光学遥感图像易受天气影响,还会发生云雾遮挡,而具有全天时、全天候成像特点的合成孔径雷达(Synthetic Aperture Radar,SAR)图像在这些方面具有明显的优势,因此SAR图像建筑分割算法相关研究受到广泛关注。本论文基于深度学习在自然光学图像分割上的应用,改进出适用于SAR图像建筑目标分割的方法。全卷积网络(Fully Convolutional Network,FCN)在自然光学图像语义分割中已经取得了相当好的效果。但是由于SAR图像与光学图像的显著差异,直接应用FCN等模型对SAR图像进行分割效果较差,具体表现为漏检率高、建筑区域存在缺失等。本文提出了一种混合连接多任务FCN的SAR图像建筑分割方法。该方法主任务为分割整个建筑目标,辅助任务为分割建筑目标中关键的强散射区域。通过辅助任务的训练增强了网络对建筑关键部分的识别。主任务和辅助任务之间混合连接的方式提高了两个任务之间特征共享的效率,而且加快了网络的损失函数的收敛速度。实验结果表明,本文提出的方法可以完整地分割出建筑区域,降低漏检率。在混合连接多任务FCN网络的基础之上,本文进一步研究了基于循环神经网络化的条件随机场(CRF as RNN)分割优化算法,解决了传统CRF算法需要穷举搜索参数的困难,并对原算法中的高斯核进行重新设计,进一步提高了分割效果。