利用遥感影像进行房屋的识别是目前遥感图像识别的热点,随着我国高分专项的实施,高分数据源成为我国遥感数据的一个重要数据源。高分二号卫星是我国首颗亚米级分辨率卫星,高分二号遥感影像具有较高的空间分辨率被广泛的应用于地物的识别,如何高效识别高分二号影像中的房屋,获取高分二号影像中的信息具有现实意义。近年来深度学习算法在视频和图像识别领域取得了较大成功,本文利用深度学习模型识别高分二号遥感影像中的房屋并统计房屋的数量。先选取高分二号影像中的房屋做样本,对样本进行处理后,建立高分二号影像房屋数据集;其次利用ZF网络和VGG16网络在Faster RCNN模型下对高分二号影像中的房屋进行识别并与传统方法对比;之后对高分二号房屋数据集进行改进,比较数据集改进后采用Faster RCNN和Mask RCNN模型识别房屋的精度;最后利用多尺度候选框对Mask RCNN模型中的区域候选网络进行优化,讨论优化后的Mask RCNN模型的精度和召回率。本文主要的研究内容和成果如下:根据不同特征提取网络在相同深度学习模型中识别效果不同的特点,本文在Faster RCNN模型下对适用于高分二号房屋识别的特征提取网络进行选取。利用的高分二号房屋数据集进行网络训练,从ZF网络和VGG16网络中选取适用于高分二号影像房屋识别的特征提取网络,并与传统方法进行对比。实验结果表明,Faster RCNN(VGG16)模型比Faster RCNN(ZF)模型识别房屋的精度高2.75%,且识别效果优于传统方法。针对原高分二号影像房屋数据集不能较好反映房屋实际成像情况的问题,本文提出基于噪声模拟的高分二号影像数据集改进方法。通过随机引入高斯和椒盐噪声丰富了高分二号影像房屋数据集的多样性。并探讨数据集改进后Mask RCNN模型识别高分二号影像房屋的精度,并与Faster RCNN(VGG16)模型的识别精度对比。实验结果表明,数据集改进后Mask RCNN模型和Faster RCNN(VGG16)模型识别房屋的精度均有提高,且Mask RCNN模型识别房屋的精度较高。针对Mask RCNN模型区域候选网络中候选框尺度单一,对高分二号影像房屋特征提取能力不强的问题,本文基于Mask RCNN模型提出面向高分二号影像房屋的多尺度区域候选网络优化的方法。利用多尺度候选框取代原网络中单一尺度候选框对Mask RCNN模型中区域候选网络进行优化。讨论优化后Mask RCNN模型识别房屋的精度,并与Faster RCNN(VGG16)模型和Mask RCNN模型进行对比,其中优化后Mask RCNN模型识别房屋的精度和召回率分别为92.73%和89.14%,实验结果表明,优化后的Mask RCNN模型更适用于高分二号房屋识别。