遥感技术的发展提供了大量的数据,而建筑物是高分辨率遥感影像中的主要目标地物之一,将建筑物从这些海量的数据中自动、高效地提取出来对于城市规划等方面具有着重要的意义。目前国内外对遥感影像的建筑物的检测、识别和提取已经取得了一定的研究成果,但是建筑物的结构类型丰富、纹理特征不一,且所在的环境复杂,存在树木遮挡等特点,给建筑物提取造成了一定的困难,并不能完全满足实际需求。本文将从高分辨率遥感影像中提取建筑物作为研究目标,使用公开数据集作为实验数据。本文研究的具体内容主要分为以下几点:(1)围绕建筑物提取和卷积神经网络的主题,系统查阅了国内外的研究现状,分析归纳了目前建筑物提取的现状,详细介绍了卷积神经网络的相关基础知识,阐述了利用卷积神经网络提取建筑物的优势。(2)针对传统算法无法有效提取建筑物,本文提出了一种基于卷积神经网络的语义分割方法。该方法是在原始UNet模型的基础上进行优化和改进,添加了特征融合分支用于改善建筑物分割效果不佳的问题。同时针对分割结果边缘的不平滑问题增加了图像后处理模块以求得到更加精确的建筑物提取结果。(3)针对语义分割中只将每个像素进行了分类,本文提出了一种基于卷积神经网络的实例分割方法,将识别出的建筑物进行个体的具体区分。该方法是在原始MS RCNN模型的基础上进行优化和改进,在特征提取网络中添加空洞卷积来增大感受野,在FPN网络中添加融合路径来充分利用学习的特征,在RPN中使用Soft NMS算法以求得到更优的候选窗口。(4)针对卷积神经网络模型进行建筑物提取的边缘不平滑问题,在模型后添加全连接条件随机场的后处理模块,得到更好的建筑物提取结果。(5)在同一数据集上测试了上述方法,对比分析本文方法与传统方法,验证本文方法的有效性。研究表明:本文使用的基于卷积神经网络的建筑物提取方法可以自动、高效且准确地实现建筑物提取,改进的UNet模型和改进的MS RCNN模型都能够取得较原始模型更加优秀的建筑物提取效果。本文提出的方法对提高建筑物提取精度具有一定的参考价值。