近地轨道卫星拥有众多不同分辨率和不同探测类型的传感器,给研究者提供了海量的拥有丰富地表信息的卫星遥感影像。建筑物作为地表信息的最重要组成部分之一(约占城市地表信息的80%以上),已经在城市地图测绘、城市基础设施设计与规划、土地利用覆盖类型调查、三维数字城市构建等科技前沿领域得到了广泛研究和应用。迅速、精确、智能地在卫星遥感影像中提取建筑物的特征信息,已经成为卫星遥感影像研究极其重要的内容之一。本文采用深度学习以及迁移学习的思想,改进传统的全卷积神经网络FCN(Fully Convolutional Networks),引入新的结构-级联式(Cascade Structure),构建了一种新的深度卷积神经网络结构,并利用建筑物数据集对算法进行验证。主要内容和结论如下:1)级联式全卷积神经网络的架构设计与改进:针对传统全卷积网络的局部感受野小、输出结果分辨率低、图像信息损失多、边缘细节模糊等特点,引入空洞卷积增加特征图像的局部感受野,采用分块方法保证得到和输入图像相同分辨率的输出结果,引入的级联式网络结构可使网络内部的信息流动达到最大化。2)基于级联式全卷积神经网络研究建筑物的自动提取:训练本文提出的级联式全卷积神经网络,进行建筑物自动提取,研究神经网络的内部参数及神经网络超参数对模型精度的影响。根据在美国马萨诸塞州建筑物数据集上的实验结果表明,和其他方法相比,本文提出的方法总体预测精度达到92.3%,与其他两种深度算法预测精度(76.3%、80.8%)相比分别提高16%和11.5%;得到神经网络预测结果后,再引入全连接条件随机场算法对输出的预测结果进行后处理,最终获得了更加平滑的结果。3)基于级联式全卷积神经网络的航空图像分类及多目标分割应用:调整级联式神经网络的内部结构,采用迁移学习的思想,用多核卷积代替固定核卷积,将不同尺度的特征图像进行数据融合。改进的神经网络结构在美国地质调查局的UC Merced Land Use数据集的预测精度在99%以上,在国际摄影测量和遥感协会Vaihingen数据集的预测精度为88.3%以上,超过了传统神经网络算法。