高分辨率遥感影像城市典型目标,尤其是人工特征明显的地物,比如建筑物和道路等目标的提取,在城市规划、智能交通以及国土资源调查等领域具有非常重要的作用。然而,城区建筑物和道路结构复杂,尺度变化多样,传统的高分辨率遥感影像城市目标提取技术主要依赖于中低层特征,很难完整地表达复杂地物,使得提取效果非常有限;而且设计合适的中低层特征需要耗费大量的人力和时间,成本大大增加;另外,由于高分遥感影像空间分辨率精细,城区阴影明显,对高分遥感影像信息提取产生了严重的干扰。因此,研究高分影像典型目标提取,必须考虑阴影的影响。但是,阴影覆盖的地物不同,其光谱特征和尺度特征差异会很大,如何高精度地提取阴影是一个挑战。深度神经网络通过模拟人脑和人体视觉的认知过程,能够自动提取地物的高层特征,具备抽象表达地物的能力,在遥感图像分割、分类等领域产生了广泛应用。本文针对高分遥感影像城市典型目标提取面临的难题开展研究,尤其针对阴影、建筑物、道路提取的难题,通过充分分析典型地物的光谱特性,结合深度神经网络,提出一套高分辨率遥感影像城市典型目标提取技术方法,能够为城市规划和管理等提供决策支持。本文主要的研究内容如下:1、基于哨兵2号影像,提出了一种新的建筑物阴影提取指数。在深入分析城市地区建筑物阴影以及其它背景地物,尤其是容易和阴影混淆的水体和低反射率地物光谱特性的基础上,利用特征组合的思想构建了组合阴影指数（Combintional Shadow Index,CSI）。本文首先提取三种特征,包括阴影增强指数、归一化差异水体指数以及近红外波段,分别代表阴影、水体和低反射率地物,然后组合这三种特征构建CSI。本文对CSI与现有阴影提取指数进行了对比分析,实验结果表明CSI可以有效地提取建筑阴影,并且可以将阴影与水体、低反射率地物很好的区分。2、针对CSI的缺点,提出了融合多特征的深度卷积神经网络阴影提取算法。新算法首先构建基于主成分第一分量（First Component of the Principle Component Analysis,PC1）、阴影增强指数（Shadow Enhancement Index,SEI）、归一化差异水体指数（Normalized Difference Water Index,NDWI）和土壤调节植被指数（Soli-Adjusted Vegetation Index,SAVI）,分别代表不透水面、阴影、水体和植被四种主要地物。继而基于多维特征,设计深度卷积神经网络CNN提取阴影。实验结果表明,新算法在阴影定位精度上和CSI相当,但是可以更好的抑制水体的影响,效果更好。3、针对建筑物尺度变化多样的特点以及传统深度卷积神经网络（CNN）在表达多尺度特征方面的不足,本文构建了一个新的多尺度深度神经网络建筑物提取算法。新算法首先构建了多个不同尺度的CNN网络,提取建筑物的多尺度高层特征;然后将不同尺度特征分别输入到不同的（Support Vector Machine,SVM）模型中,生成多尺度规则图;最后,将多尺度规则图输入到最终的SVM分类模型中,得到决策融合的分类结果。实验选用了标准的ISPRS测试数据集,并与其它分类算法进行了比较,实验结果表明,本文提出的算法能够有效地提取复杂城区的建筑物。4、针对城市道路提取的难点,本文以经典的语义分割算法SegNet为网络框架,搭建了基于SegNet网络模型的城市道路提取算法。实验采用道路的标准数据集,选择包含不同背景、状态下的道路作为训练和测试的样本,训练SegNet网络参数使其最终收敛。本文采用三幅不同城市背景下的道路高分图像作为测试,结果显示本文搭建的SEg Net网络在提取复杂城市的道路网时精度较高,可以较好的定位道路,并且提取的道路也比较连续,也能很好的抑制背景相似地物的干扰,实现了端对端的自动道路提取任务。