随着现代社会的逐步发展,城镇的变化也越来越快,为了丰富城市空间数据库,研究建筑物的自动提取技术必不可少。其中,使用高分二号结合深度学习技术对建筑物进行提取成为一种可行的方法,其鲁棒性较强。尤其是卷积神经网络,如FCN（全卷积神经网络）、U-Net、Seg Net等,这些网络模型对于特征抽取有着极其显著的优势,应用于建筑物目标提取的研究时,能够更加充分的利用影像信息,使结果更加精细。但网络本身的机制会令提取的边缘信息模糊,为了克服这个问题,本文提出一种基于Canny算法与SLIC（Simple Linear Iterative Clustering,简单线性迭代聚类）超像素分割结合U-Net网络的模型,用于增强建筑物边界再进行提取。本文选取的研究区域位于江西省南昌市新建区,该地区中建筑物类型多样,结合高分二号高分辨率遥感影像对其中的建筑物进行精确提取,能更好的体现建筑物提取技术的优势。为了进行研究,本文制作人工标签及多种数据集,并使用FCN、U-Net、Seg Net三种传统神经网络先进行实验的基本分析评价。结果表明:（1）U-Net网络在建筑物特征提取方面较其他两种网络的精度高,评价指标中的MPA大多在90%左右,而m Io U、OA指标也不低于84%。（2）对于多种数据集来说,RGB组合数据集和全波段数据集提取时的精度相差不大,指数数据集的精度最低。探讨U-Net网络的内部计算机制,对建筑物特征进行分析。本文将U-Net网络中第一层、第二层的卷积核进行抽取和归一化操作后,计算出图像中的每条通道的贡献值（即每条通道对于建筑物特征的贡献）,对结果逐层分析,判断相关特征,获取最高特征权重链。结果表明:（1）U-Net网络在进行特征提取时,通过不断调整参数权重以获取不同地物特征,期间不会直接消除其他特征。在计算过程中运用相减,使得边界信息容易消失。（2）对每层节点中的相关成果和分析进行保存,发现第三通道的贡献值最高,为2.49。（3）以此为基础结合Canny边缘检测算法,增强边界,结果发现边缘检测效果较好,尤其是对于形状鲜明和排列规律的建筑物边界,纹理分明,只是对于亮度相似的边界检测较为模糊。利用SLIC超像素算法进行初始分割,通过新的边界检测保证位于边界两边的区域不会被错误连接,并结合U-Net网络检测出目标区域的类别划分（CCS U-Net模型）,对于处于待定区域的区域,放大区块,上采样后,基于贡献度算法结合Canny算法基础上,重新判断,以保证增强边界。这种策略得到的结果表明:（1）从数据集的方面来说,不同数据集对于不同类型的建筑物有不同的适用性,对于大型或规则建筑物,RGB123和RGB234组合的数据集提取效果较好;对于密集建筑物更适用于RGB123组合的数据集,不规则建筑物和高层建筑物,分别更适用于RGB124组合和RGB234组合数据集。（2）从网络对比上来说,CCS U-Net在各个不同的数据集上对建筑物的提取精度都较好于U-Net,RGB124组合数据集中的OA精度相差最大,CCS U-Net比U-Net的总体精度高出9.9%,CCS U-Net模型提取建筑物时,MPA和OA的精度都在92.1%以上,m Iou都在86.1%以上,精度较高。