随着遥感影像传感器和无人机的技术发展,城市高分辨率影像的可用性和普及性得到了极大地提高,海量数据中蕴含的地物信息已经成为城市规划、城区环境变化监测和城市三维建模等领域研究的重点。城市高分辨率影像中各种地物信息的提取,将为我们的城镇规划、地籍测绘提供重要的信息基础数据。建筑物、绿地和车辆作为城市地物信息的重要组成部分,传统的信息提取方法一般基于人工制作特征和无监督机器学习算法,受外界条件干扰较大,且始终未能摆脱对中低级特征的依赖性,因此,准确、快速地自动从高分辨率影像中提取地物信息,已成为目前该领域重要研究方向之一。近年来,随着深度学习技术的发展与成熟,其在计算机视觉领域取得了较好的应用成效。因此,本文引入深度学习技术,研究了城市地物信息分割提取流程及方法,实现了城市建筑物和绿地等地物目标的自动化提取。本文的主要研究内容如下:（1）提出了一种基于特征金字塔结构的多尺度特征提取网络BuildingNet,并引入了空洞空间金字塔池化模块,解决了目前语义分割网络仅使用部分卷积层产生最终输出而导致高分辨率图像中建筑物目标的边缘精度较低以及预测图像质量不高等问题,使得该网络具有针对图像全局的良好特征提取性能。并设计了一种改进的Lovász损失函数来训练所提出的网络,有效地提高了提取结果的图像质量。通过对比实验和消融实验验证了该网络在建筑物识别与提取的准确性和适应性方面具有更高的性能,且过程高度自动化,可进行大规模的图像建筑物信息提取。（2）基于生成对抗网络执行图像转换任务的思想,设计了一种改进的条件生成对抗网络UAV-GAN,并将其应用于图像语义分割领域,从而实现了将数据图像转换为分割图像的目标。同时利用无人机倾斜摄影技术获取并制作高分辨率城市片区模型,生成完整的正射影像,制作城市地物信息数据集。实验在所制作的数据集中展开,并得到数据集图像中建筑物和城市绿地（含植被）的视觉定性和定量结果。（3）建立了高分辨率城市车辆数据集,并将BuildingNet和UAV-GAN两种语义分割网络应用到城市小尺寸目标的识别中,实现了基于语义分割模型的城市车辆识别任务。（4）根据本文提出的算法模型,设计了用以提取高分辨率城市影像地物信息的GUI交互界面。该交互界面集成了本文提出的语义分割模型,整合了高分辨率影像选择打开、模型调用、分割提取、结果保存等基础功能模块,同时添加了识别图像分割结果像素位置的功能,可准确便捷地实现了城市地物目标的自动化提取。