建筑物作为人类生活的主要载体,对其精准检测及统计在城市规划、土地调查、地震救援、国防安全应用中都具有重要的价值和意义。随着人工智能及空天信息技术的飞速发展,大批亚米级城市遥感影像涌现,以卷积神经网络（Convolutional Neural Network,CNN）为基础的全卷积网络（Fully Convolution Network,FCN）在建筑物自动提取领域掀起研究热潮,并取得显著成效。然而,由于建筑物的边缘信息及地物间丰富的空间语义关系未得到充分利用,现有方法难以对复杂背景下建筑物的边缘及局部细节进行精准感知,导致提取结果无法满足实际应用的高精度需求。针对上述问题,本文以常规语义分割网络为基线,提出了一种基于边缘感知GCN-FCN的高分遥感影像建筑物提取方法。该方法利用DBAM（Decoupling Boundary Awareness Module）,从主体和边缘的角度,对多层级特征自适应地实现建筑物边缘的逐步细化与感知,并设计SGRM（Spatial Graph Reasoning Module）,利用图卷积神经网络（Graph Convolutional Network,GCN）对大尺度空间域特征实现像素级图推理,以充分挖掘建筑物间丰富的空间语义关系,显著提升网络对局部细节的感知能力。为充分探究本文方法的先进性及鲁棒性,本文使用两个亚米级遥感影像建筑物数据集,与十二种相关方法进行了充分的实验与分析。实验结果表明,本文方法对建筑物边缘及局部细节的感知更为敏锐,DBAM及SGRM均具有较好地嵌入性,能显著提升诸多基线网络对建筑物及其边缘轮廓的提取精度。论文的主要研究工作和成果如下:1)因常规的多尺度信息融合方式忽略了各层级间的语义差异,难以抑制噪声的显著性表达,现有方法难以精准感知建筑物的边缘信息。针对上述问题,本文提出了一种基于特征解耦的建筑物边缘感知方法,该方法以DBAM为重要组成结构,从主体和边缘的角度,使编码层的多层级特征对建筑物边缘的细节纹理及语义信息逐步进行细化,以自适应地实现建筑物边缘的精细感知,为后续高精度建筑物语义分割提供扎实基础。结果表明,本文方法明显优于经典的整体嵌套边缘（Holistically-nested Edge Detection,HED）感知方法,于建筑物语义分割Io U指标上取得3.5%的精度提升。2)因感受野仅随网络深度呈线性规则变化,像素间的空间语义关系未得到充分利用,现有方法难以对建筑物像素间准确的空间语义关系进行建模。针对上述问题,本文提出了一种基于空间域图推理的建筑物语义相关性建模方法,该方法通过构建与邻接关系等价的空间相似矩阵,使GCN对大尺度空间域特征实现像素级图推理成为可能,并以此设计SGRM,对建筑物间丰富的空间语义相关性进行感知,近似等价的从空间相关性的角度编码建筑物的形状信息,进而促进网络对局部细节的响应,提升建筑物边缘轮廓的提取精度。与基线网络Deeplabv3+相比,本文方法于建筑物边缘轮廓提取精度Io U及F1指标上分别取得5%、4.3%的提升。主要创新点有:1)提出了一种基于特征解耦的建筑物边缘感知方法,从主体和边缘的角度,充分利用多层级特征自适应地实现建筑物边缘的逐步细化;2)提出了一种面向空间域特征的GCN像素级推理方法,有效实现了建筑物空间语义相关性建模。