随着传感器技术与搭载平台的快速发展,遥感影像的空间分辨率逐渐提高,高分辨率影像提供了更加清晰、丰富的地表信息,其中建筑物在城市地表信息中占比达80%以上。传统建筑物提取方法大都需要人工设计特征或选择参数,过程耗时耗力,且无法获取到影像中深层次语义特征。近年来,越来越多的深度学习算法被应用于遥感影像处理,其中卷积神经网络能够自动从给定的影像数据中学习到高级特征,从而进行准确的目标提取,但现有的大多数网络模型在前向传播过程中,特征图信息损失较多,对目标建筑物在不同尺度下的信息融合略显不足,且提取的建筑物边界位置不够准确清晰。因此,高分辨率遥感影像中建筑物精确提取仍是目前研究的重点。针对上述存在的问题,本文通过调研和分析高分辨率遥感影像建筑物提取的国内外研究现状,提出了一种基于增强特征金字塔网络(Augment Feature Pyramid Network,AFPN)的航空影像城市建筑物顶部提取方法,并在包含芝加哥、基特萨普等地区的建筑物数据集上进行了实验,主要工作内容如下:(1)以现有的残差网络和特征金字塔网络结构作为基础框架,引入视觉注意力机制与孔洞卷积,构建一种不含池化层的增强特征金字塔网络,并在网络前期训练中通过优化器和批次大小的选择,以及添加Dropout层来探索出一组优化方案。(2)针对本文模型提取出的建筑物顶部轮廓存在锯齿状和马赛克状等问题,分别使用角点检测与拟合的方法对直线型建筑边界进行规则化处理,使用分组的道格拉斯-普克算法对弧线型建筑物边界进行规则化处理。(3)从INRIA航空正射影像建筑物数据集中选取实验样本,并通过图像裁剪和数据增强来制作3个包含不同地区的数据集,分别用于评估本文模型精度和研究训练数据差异对模型性能的影响。将本文构建模型在建筑物数据集上进行训练并分析实验结果,同时为验证该模型的有效性,选择两种经典网络ResNet-34和FCN-8s在同一数据集上进行训练,将所得结果与本文实验结果进行对比分析。研究表明:本文模型提取的建筑物顶部准确度高、噪声较少、图形完整,边界规则化方法能有效减弱或消除锯齿状和马赛克状,简化了边界上的多余细节。本文模型不论是在预测精度上还是在目视效果方面,都要优于ResNet-34和FCN-8s,计算预测图片的精度指标值均在80%以上,其中平均准确率达到93%以上,具有一定的实用价值。