随着对地观测技术的发展,人类所获得的遥感图像从数据量、观测频率、多样性、精细化、价值体现等多个方面均达到了井喷式的增长。建筑物作为高分辨率遥感图像中的重要人工地物,是人类进行城市规划、土地分析和城市监测等研究分析的必要信息,对数字城市建设、地理信息系统库更新以及灾害应急评估等方面具有重要意义。因此,探讨如何利用日益丰富的高分辨率遥感图像资源,对建筑物目标进行有效识别和精确定位,已经成为遥感领域研究的热点和前沿。遥感图像建筑物提取的关键在于对建筑物特征的表达。以卷积神经网络为代表的深度学习方法的出现,为建筑物特征提取和特征分类研究开辟了一条新的途径。卷积神经网络采用层级结构直接从大量的图像数据中进行特征提取,并对特征进行层层抽象。其在计算机视觉领域图像分类、物体检测和图像分割等任务中均取得了不错的成绩。随着遥感图像空间分辨率的不断提高,遥感图像内容与自然图像目视效果越来越接近。研究如何将深度卷积神经网络应用到对高分辨率遥感图像建筑物目标的提取中,对提高高分辨率遥感图像计算机解译精度,促进高分辨率遥感图像目标提取的自动化水平具有重大意义。因此,本文借助深度卷积神经网络中全卷积神经网络方法,基于公开、标准的建筑物航空遥感数据集IAILD数据集,以数据集中位于美国的Austin城市为例,开展了对高分辨率遥感图像建筑物提取研究,主要研究内容和结论如下:（1）在网络结构设计上,本文将具有更深层次的Res Net50深度残差网络作为全卷积神经网络的基准网络。针对由原始网络输出特征图直接上采样32倍造成的特征图分辨率的损失,本文提出通过利用扩大感受野和增大特征图的两种方式,联合空洞卷积,在FCN＿Res Net50＿32s网络的基础上,设计并搭建了Atrous FCN＿Res Net50＿32s和Atrous FCN＿Res Net50＿16s两种深度网络结构。（2）在网络训练过程上,采用基于TPE的超参数优化算法自主寻找网络模型的最优初始学习率,抛弃了以往采取经验值尝试多种学习率进行网络训练的做法。通过基于对上述三种不同网络的遥感图像建筑物提取结果的目视评价和定量评价,结果表明,三种不同的网络结构对建筑物提取的分类准确度均达到了93%以上,其中,Atrous FCN＿Res Net50＿16s网络提取的建筑物结果与地面真实的建筑物轮廓吻合程度最高,并且在分类准确度、准确率、召回率和F度量4个评价指标上均达到了最高,分别为95.30%、85.27%、77.82%和81.35%。该结果也进一步表明了,构建的更深层次的Res Net50深度残差网络,可以对高分辨率遥感图像建筑物特征进行深层次挖掘和有效表达与建模,且具有较高的分类准确度。同时采取的扩大感受野和增大特征图的方式,可显著提高建筑物提取的精度（4）为进一步优化深度网络建筑物提取效果,本文采取多特征融合策略,并对建筑物提取进行后处理。实验结果表明,经优化处理后建筑物的提取精度进一步提高,模型在分类准确度、准确率、召回率和F度量4个评价指标上分别为:96.26%、87.90%、82.61%和85.15%。