建筑物是城市景观的主要要素,从高空间分辨率遥感影像上快速准确地提取建筑物边缘是检测建筑物变化的基本需求,另外对于城市信息更新、城市规划和管理等具有重要意义。传统的边缘提取算法仅依靠人工指定的低层次特征提取建筑物边缘,费时费力且精度难以保证,近年来深度学习的发展,为快速准确的从高分辨率遥感影像(高分影像)中提取建筑物边缘提供了新的技术。本文将Richer Convolutional Features(RCF)网络首次引入高空间分辨率遥感影像处理与分析领域,从数据集构建、网络重训练、边缘概率图后处理三个方面为提高网络泛化的能力进而提高了建筑物边缘提取的精度进行研究。另外,本文还从RCF网络的演变历程入手,深入剖析各个网络结构改变对高层特征信息提取的贡献。本文提出最外围约束提取算法构建了用于建筑物边缘检测的数据集,并在此数据集的基础上重新训练了RCF网络;训练后的RCF-building网络可以从高分影像中提取出建筑物边缘概率图;在对建筑物边缘概率图后处理时,本文基于几何形态分析原理提出了一种新的边缘概率图细化算法,实现建筑物边缘精细化提取。从训练时的损失值的大小和与其它方法构造的数据集对比实验结果来看,本文所构建的数据集可以产生更为优秀的提取模型;最终的实验结果表明本文构建的基于RCF网络的RCF-building边缘检测学习器可以有针对性地提取出建筑物的边缘,且能保持较高的建筑物边缘提取精度,该方法与其它三种典型的网络相比提取建筑物边缘精度至少高出5%。此外,在后处理方法上,与BSDS500数据库基准评价提供的非最大值抑制细化算法相比,本文提出的边缘概率图细化算法提高了边缘特征信息的查准率,且具有较好的目视效果。本文还从RCF网络的结构入手,定性和定量探讨了其独特的混合输出模式对边缘提取的影响,为日后网络的改进提供了新的思路。本文将最佳的数据集、模型、后处理方法组合用于高分遥感影像建筑物边缘提取,生成了建筑物边缘专题图,并将专题图与地表真值相对比发现本文实验结果有一定的实用性。