在土地监察业务中很重要的一项工作就是监管地上建筑物的建、拆、改、扩。当某地块在未经审批的情况下存在建筑物时,政府部门需要实地派人调查是否有非法占地行为。对于大城市及其郊区来说,很难靠工作人员来每天全城巡查并监管,当今的技术手段可以依靠高分辨率卫星遥感图像和深度学习算法从而革新现有的工作流程。新增建筑物的识别与图像差异检测不同,其图像中发生变化的区域很多并不是新增建筑物区域,所以仅依靠传统的图像处理算法难以解决,基于全卷积神经网络的深度学习方法的出现实现了对图像进行像素级别的分类从而解决了这种语义级别的图像识别分割问题。本文首先通过构造两时相差异图并对差异图中新增建筑物标注作为训练数据,进入DeepLab网络训练得到识别新增建筑物的深度学习模型,在其网络后半部分上采样过程作者使用了双线性差值的方法与卷积层后都接入BN层作为改进优化,实验表明训练得到的模型具有对新增建筑物识别的能力但受差异图模糊效应影响,作者又对遥感图像中建筑物直接标注并训练得到建筑物识别模型,分别对2015、2017两年的测试数据使用建筑物识别模型识别出建筑物区域再将两年识别结果做差值从而得到新增建筑物区域,模型训练方面作者基于U-net做了结构改进,在卷积下采样后引入多层空洞卷积层,训练后得到的模型对建筑物区域有良好的识别效果并在新增建筑物区域上有更好的识别效果,其模型识别能力通过f1值评测得出。最后作者对训练数据中加入远红外通道数据重新构造为新三通道数据,采用两种网络模型混合的方式训练,优化训练深度学习模型实现对新增建筑物的识别。损失函数上作者采用交叉熵函数加L2正则的组合损失函数,同时作者做了大量的数据增强处理为模型训练数据提供了更多更丰富的特征。实验表明先通过混合的学习方法可以更准确地识别出更多更复杂的新增建筑物。本文通过使用深度学习方法结合遥感图像的特征实现了对新增建筑物的识别。对深度学习方法中神经网络的结构做了几种研究改进并调整其参数训练优化,最终得到可以有效识别新增建筑物的模型。