建筑物作为人类活动的重要场所,其信息是了解城市发展的重要凭据。遥感卫星能够获取大范围、高实时性的地表观测数据,尤其是高分辨率遥感影像可清晰的显示城市空间地物要素,有助于掌握城市的建筑物现状规模布局。从高分辨率遥感影像中准确提取建筑物在建筑普查、违章建筑执法、城市发展规划、高精度地图更新以及地震灾害评估等方面具有实质的应用价值。高分辨率遥感影像城市场景下建筑光谱、形状纹理、尺度差异大,且存在相似地物干扰以及建筑分布密集、边界线模糊等问题。以上情况限制了各类方法在高分辨率遥感影像建筑物提取中的应用。本文以提高分辨率遥感影像建筑物提取精度为目标,总结了高分辨遥感影像建筑物提取传统方法和深度学习方法的研究现状,分析了各方法存在的局限。在具体技术实现上,本文分别对传统监督分类、深度学习语义分割以及实例分割三种方法展开研究,研究成果如下:（1）在传统监督分类的基础上,提出一种高分辨率遥感影像城市建筑物多级优化提取方法。特征是影响建筑物提取性能的决定性因素。高分辨率遥感影像城市场景下建筑差异大,且存在相似地物干扰,监督分类从样本中自动学习各类地物特征,有利于提取各种类型的建筑物。本文利用传统最大似然分类算法提取出建筑物,然后针对提取结果误提和“椒盐效应”问题,基于形态学建筑物指数、面向对象信息提取等方法的优势以及各误提地物在影像上的特征表现,构建多级优化规则,以提取更准确的建筑物图斑。实验结果表明,该方法能更好的平衡建筑物提取的完整性和正确性,有效提高建筑物提取精度。（2）提出了一种基于多尺度编解码网络的遥感影像建筑物提取方法。影像中建筑物尺寸差异大、分布密集、边界线模糊,语义分割网络需要兼顾不同大小建筑物的全局语义特征和局部细节特征,避免漏提、提取不完整、误提、边界不准确等问题。本文采取UNet网络的编解码架构,将VGG16的卷积块相互串联堆叠构成编码器主干网络,用于提取深层语义特征,并将第五个卷积块改成多尺度模块,来提高网络提取深层尺度特征的能力;然后重新设计了编码器和解码器之间的连接,充分利用编码器中的深浅层尺度信息;最后在解码器增加一个额外的约束,来提高网络训练的能力,加强多尺度特征表示。实验结果表明,该方法可以有效改善建筑物提取不完整、边界不准确的问题,在WHU航空数据集以及马萨诸塞州数据集上Io U分别达到了89.45%、70.02%,在桂林市GF2数据集上Io U比Deep Lab V3+、UNet分别高出了3.53%,2.72%。（3）提出了一种基于模型融合和影像分割的建筑物提取方法。在复杂的城市场景中,像素级语义分割网络提取的建筑物图斑存在不完整情况。本文以深度学习中经典实例分割模型Blend Mask为例,展开建筑物目标级提取研究。首先探究Res Net层数对Blend Mask提取建筑物的影响。针对深浅层网络模型的优势,本文采取模型融合的思想,并引入影像分割,对每个超像素采取多数投票表决的思路优化建筑物图斑。实验结果表明,该方法通过模型融合和影像分割实现建筑物目标级提取,提取单体建筑物较完整,图斑粘连情况较少,且进一步提高了建筑物提取精度。