机场是重要的公共交通基础设施之一,近年来机场总量的持续攀升对机场的建设与运行管理提出了更高要求,净空环境监测是机场安全保障工作中极为重要的一部分,其中对于机场净空区建筑物的检测与识别是机场净空区域的保护研究工作的关键任务由于机场净空范围较大,传统的人工监测手段很难满足实际需求。探索高分遥感技术在机场全生命周期管理中的支撑作用,对提升机场管理水平有着积极意义。以人工判读为主的传统遥感图像解译方法难以高效应对巨大的遥感数据量,自2012年起的新一轮人工智能浪潮则为空间信息的智能提取提供了充分的理论基础和技术支撑,研究高效的遥感图像智能解译方法愈发重要。围绕机场净空区新增建筑物提取这一实际应用任务,本文提出基于高分遥感影像的新增建筑物提取流程,以增强深度学习的局部语义描述能力从而提高视觉任务精度和效率为目的,研究基于深度学习的遥感影像变化检测、样本扩充和场景分类方法,相关工作可概括为:（1）基于注意力三维卷积神经网络的遥感场景变化检测本文面向复杂机场环境研究精准高效的变化检测方法,提出了一种用于机场净空区场景级变化检测的语义注意力三维卷积网络。网络采用经典的Alex Net模型为主体基础框架以端到端的形式通过多阶段的特征提取从输入的双时相样影像块中直接预测变化结果,三维卷积的结构在减少网络参数的同时提高对于时序影像特征的提取效果,语义注意力模型的加入则是该网络能聚焦于目标特征,在特定视觉任务中能有效突出目标场景和对象,增强局部变化信息表达。利用自制机场场景变化检测数据集对该网络进行训练测试,并应用于另外的机场周边遥感影像进行变化检测,验证了该网络模型的效果。（2）基于深度卷积生成对抗网络的遥感场景样本扩充基于深度学习的场景分类算法需要大量不同场景的影像作为样本数据,为解决本文研究中用于深度学习场景识别的样本图像数量不足这一问题,针对如何利用有限的少量机场场景影像数据扩展为规模更大的风格统一的数据集这一问题,本文采用性能优秀的深度卷积生成对抗网络为基础框架,在此之上进行了合理的参数调整和结构优化,使其更好地提取图像局部语义特征,强化网络对原始数据集中机场场景特征的学习。实验通过对原始机场样本数据特征分布的学习,生成大量风格类似于源数据的图像,完成了小型数据集的有效扩充,为后续其他研究提供了数据支撑。（3）基于密集注意力卷积网络的遥感场景分类机场净空区场景复杂导致建筑物信息被淹没从而影响建筑物提取的精度的挑战,为突破这一限制,本文以高效准确地面向机场环境进行建筑物提取为目的,研究基于增强局部场景主题表达的深度学习场景分类方法。本文更提出了一种密集注意卷积网络（DA-CNN）。该网络由密集注意力学习策略组织,通过密集连接结构以较少的参数和较浅的深度提供了更强的特征表示和传递能力;使用密集注意力模块融合显著特征和卷特征,增强局部场景主题表达;引入了通道注意模块,在压缩和优化卷积特征的同时有效避免了特征冗余。通过在公开数据集上的实验测试该网络的性能,在机场高分遥感影像上通过该方法进一步实现对新增建筑物的检测任务,充分验证该方法的有效性。