随着万物互联时代的到来,遥感提供着空天地海一体化的全方位服务,成为地球空间信息学中的重要一环,为气象监测、环境保护、国土管理、海洋资源等应用场景提供着不可或缺的支持。其中,基于高分辨率遥感影像的建筑物提取颇受关注,在城市管理、应急响应以及灾害评估等领域表现出巨大的应用潜力,但是仍然面临着大数据与少标注、有限数据与模型泛化、普适性模型与个性化需求这3个矛盾,值得进一步的研究。对此,本文基于迁移学习,分别从全监督学习、半监督学习、无监督学习这3个方向,在高分辨率遥感影像数据集上进行建筑物提取,研究在不同规模标记数据的场景下任务模型性能提升的方法。主要研究内容如下:（1）面对标记充足的任务场景,研究了基于数据增强的遥感影像建筑物全监督提取方法,从图像级数据扩充、特征级数据扰动这2个方面,选取7种不同的数据增强方法,分别在Inria、Massachusetts、Satellogic这3个遥感数据集上进行建筑物提取。实验结果表明,传统图像处理方法相比特征扰动方法更为直接有效,而且多级放缩、亮度调整能够明显提高模型的泛化能力。（2）面对标记不足的任务场景,提出了一种基于风格融合的遥感影像建筑物半监督提取方法,通过引入风格融合模块,增加卷积网络的特征扰动,并使用一致性正则化来强化模型约束。在Inria数据集上与3种基线模型进行对比测试,证明了基于风格融合的遥感影像建筑物半监督提取方法更具鲁棒性。（3）面对缺乏标记的任务场景,提出了一种基于风格对抗的遥感影像建筑物无监督提取方法,引入风格对抗模块,通过领域风格对抗损失来强化模型约束。以Inria数据集为源域数据,Massachusetts、Satellogic数据集先后作为目标域数据,在目标域测试集上与3种基线模型进行对比分析,证明了基于风格对抗的遥感影像建筑物无监督提取方法应对领域漂移的能力更强。本文共有图29幅,表16个,参考文献119篇。