建筑与我们的生活息息相关,基于遥感影像的建筑物提取在城市规划、违章建筑、城市变迁、人口估计和灾害评估等领域都有着重要意义。随着遥感影像分辨率的提升,为高精度建筑物提取提供了可靠的数据源,同时也为遥感影像建筑物自动提取带来了新的挑战。近年来卷积神经网络在图像分类、图像分割、目标检测等领域取得了令人瞩目的成就,成为了目前计算机视觉中最热门的研究方向之一。卷积神经网络在自然图像处理中取得的成功自然地引发了遥感影像处理领域的关注。因此,本文主要研究卷积神经网络在遥感影像中建筑物提取与建筑物变化检测中的应用,主要包括以下研究内容:（1）目前基于卷积神经网络遥感影像建筑物提取仍存在多尺度目标识别、因卷积或池化造成提取目标边界模糊、类不平衡等问题。为了解决以上问题本文采用带注意力机制的特征金字塔来增强多尺度目标识别;引入边界提取子网络,用于直接优化目标边界,提高模型整体对目标边界识别精度;利用交叉熵损失函数与Dice损失函数加权平均的方式来改善类不平衡问题对提取目标精度的影响。最后在WHU航空影像数据集、WHU卫星影像数据集Ⅱ和Irina航空影像数据集检验模型的有效性。（2）基于卷积神经网络的遥感影像建筑物变化检测通常需要输入一对同地区不同时相的数据,然后通过设计相应的算法从一对时序数据中识别出相应变化区域。因此,相比于常见的建筑物提取任务来说会导致计算量的增加,本文为了降低该部分计算量,选用参数较少的Efficient Net作为特征提取主干,提出了Siam-Efficient FPN用于遥感影像建筑物变化检测。同样,在一对不同时相图像中也会存在变化目标多尺度识别问题,本文通过引入门控特征金字塔和金字塔池化模块来增强多尺度变化目标的识别。最后在公开变化检测数据集LEVIR-CD和LEVIR-CD+验证模型的有效性。（3）为了检验本文提出模型的泛化效果,选择WHU卫星影像数据集Ⅰ验证建筑提取算法的泛化精度;采用WHU建筑物变化检测数据用于验证变化检测算法的泛化精度。