建筑物是许多领域重点研究的地物之一,例如城市建设、城乡规划、产权登记等领域,因此建筑物提取的相关研究工作意义重大。尽管建筑物在解译时与其他种类地物区分度较大,但因为其在高度、样式、材料颜色、形状等方面的丰富性,导致解译工作始终存在挑战。随着深度学习的迅速发展,越来越多学者以其为核心方法进行遥感影像处理,并获得了较好的效果。因此本论文以遥感影像建筑物提取领域常用的语义分割网络为基础,进行网络结构的优化,以改进后的网络为用于城市遥感影像的建筑物提取,并对网络的分割性能和参数量进行测量。目前的UNet++编码器的标准卷积感受野较小,导致存在对遥感影像的多尺度语义特征信息捕捉不够全面的问题,降低了网络的遥感影像建筑物分割准度。因此,论文以UNet++模型为网络核心架构,嵌入深度残差网络作为骨主干架构,在编码阶段结束时,将空洞空间金字塔结构嵌入,同时以深度可分离卷积替代原编码结构的标准卷积与最大池化结构,优化后的网络称作残差空洞空间金字塔网络Res＿ASPP＿UNet++。Res＿ASPP＿UNet++网络首先运用密集短连接减少编码器和解码器之间语义鸿沟。接着该网络利用多尺度ASPP中的多个空洞卷积并行采样的方式对输入影像进行特征信息的捕获,通过扩大网络的感受野来丰富语义信息,并通过影像级特征实现对全局信息的兼顾,避免因陷入局部特征而导致分割错误的问题,从而提升网络的分割性能,完成在精度与效率上均满足要求的逐像素遥感影像建筑物提取。论文的主要研究内容及结果如下:（1）采用WHU数据集中的航空影像数据集作为实验的原始数据,并选择国外的Massachusetts数据集和基于中国城市的数据集作为验证数据集。利用直方图均衡化操作进行数据集预处理,并采用数据增强操作进行数据集的扩充,从而得到本研究的建筑物数据集。（2）为了对比常用的建筑物分割网络FCN-8s、FCN-16s、FCN-32s、UNet、Seg Net、UNet++以及本文所提网络的提取性能,将其在本文经过数据增强预处理的数据集上进行建筑物分割和边界提取实验,并进行精度评价。实验结果表明:Res＿ASPP＿UNet++网络提取的不同尺度建筑物完整性更好,分割边界更平滑、清晰,分割噪声更少。同时,通过精度评价结果可知,相较于对比网络,Res＿ASPP＿UNet++网络的整体精度更高,且相对于改进前的UNet++网络精度提升幅度较大。上述结果证实了所提网络能够更有效地捕捉到细节特征,提升网络的分割精度。（3）为了对ASPP中的采样率对模型性能的影响进行研究,以Res＿ASPP＿UNet++网络为基础设计了五个对比网络,并在测试集上分别进行测试和精度评价。实验结果表明:采样率组为[6,12,18]的Res＿ASPP＿UNet++整体上精度最高,因此,本文所提网络中的ASPP模块的空洞卷积采样率分别设置为6、12、18,以使网络能表现出最优性能。（4）为了验证ASPP和深度可分离卷积对网络分割性能的贡献,设计了四个对比网络,并在测试集上进行测试,同时,为了更直观地观察改进前后的编码器特征提取性能差异,将编码器的降采样层输出特征图进行可视化。实验结果表明:加入ASPP模块后的Res＿ASPP＿UNet++网络的各项评价指标值更高;降采样层使用了深度可分离卷积的网络则较采用最大池化的网络的整体准度更高。同时,采用深度可分离卷积进行降采样的编码器所输出的特征图中,建筑物区域轮廓更为清晰、突出。上述结果证实了ASPP模块和深度可分离卷积对网络的性能提升作用。（5）为了对比改进前后的网络参数量大小,本文进行了所提网络及其对比网络参数量的测算和对比。实验结果表明:Res＿ASPP＿UNet++网络参数量相较于对比网络大大减少;空洞空间卷积金字塔模块和深度可分离卷积模块可以在一定程度上压缩模型参数量。上述结果证实了所提网络能在提升网络性能的前提下实现网络轻量化的目的。（6）为了验证所提网络的泛化能力,以基于国内和国外的城市建筑物数据集进行进一步的验证实验。实验结果表明:Res＿ASPP＿UNet++网络对国内外两个建筑物提取数据集上的差异化建筑物均能较精确、高效地提取。上述结果证实了本文所提网络结构对不同尺度和不同类型的建筑物均表现出鲁棒性,并且在分辨率和来源均不同的数据集上具有一定的泛化性。