高空间分辨率遥感影像(高分影像)的发展使地块级的地物提取成为可能,为精细化的地理应用提供数据基础,但其中的数据复杂性也为传统的地物分类算法带来了巨大的挑战。在所有地物中,以建筑物和耕地为代表的人工地物具有明显的人工改造痕迹,在影像中的形态更加复杂,地块数量更多,提取难度更高,和人类生产生活联系更加紧密,更需要掌握它们的分布和状态信息,实现地块级的人工地物提取具有更大的社会经济意义。本研究针对高分影像下的人工地物提取问题,为了使地物分类体系适配高分影像中的视觉特征差异,将地物分为建设用地、农业用地两类人工地物和水体、林草地、岩土地三类自然地物,并进一步分析了高分影像中人工地物在空间形态、内部纹理和语义场景三方面的视觉特征,对比了传统方法和深度学习方法的特点和适用性。本研究着重选择两类人工地物中最核心也最具有代表性和研究价值的建筑物和耕地作为研究对象,指出目前深度学习技术在应用时存在的问题:建筑物提取上的研究和应用较成熟,但对预训练模型的依赖限制了网络结构上的改进空间;耕地提取上使用主流的语义分割方法对难以实现耕地地块尺度的提取,存在欠分割。本研究以建筑物和耕地提取为例,依托于深度学习技术中的深度卷积神经网络,并根据建筑物和耕地在高分影像下的视觉特征和内在规律设计网络结构,分别提出了基于语义模型的建筑物提取方法和基于边缘模型与纹理模型的耕地提取方法。在建筑物提取方面,本研究使用深度学习语义模型进行高分影像下的建筑物提取,提出了深度编码网络(DE-Net),在网络的计算过程中提高空间信息的保存,特别是在降采样、编码和上采样的过程中。它在网络结构上的创新有:(1)降采样操作结合了跨步卷积和最大池化来丰富采样后的特征;(2)编码模块中使用SELU激活函数而不是常用的Re LU激活函数;(3)上采样时使用密集上采样卷积模块,让DE-Net能够把空间信息编码到降采样后的特征图中,实现精细的像素级分类;(4)使用戴斯-交叉熵损失函数解决类间不平衡问题。DE-Net在公开的WHU建筑物数据集和用高分二号影像自建的苏州建筑物数据集上相比于其他主流网络取得了更优的精度,证明不依赖预训练模型、根据建筑物视觉特征设计网络结构也可以带来精度的提升。在耕地提取方面,本研究提出基于边缘模型与纹理模型的耕地提取。边缘模型在RCF网络的基础去掉了后两层池化层,减轻了空间信息的损失,提高了对地块轮廓的召回率,地块轮廓线不容易出现断裂,尽可能地保存了可识别的地块。纹理模型用于根据地块内部的纹理判断地块类型。本研究提出耕地纯度概念用于样本筛选,设计了内部纹理网络(IT-Net)作为纹理模型。IT-Net在输入时用特征宽化模块拓展特征维数,再用多路卷积模块组合了多个不同大小卷积核成为三路卷积,以提高对不同大小的纹理特征的敏感性,最后用三个全连接层进行分类。纹理模型对边缘模型提取出的地块进行多次内部采样,将预测结果进行平均投票,得到地块的耕地概率值。实验中充分对比了边缘模型和纹理模型不同算法的精度差异和网络超参数对IT-Net识别耕地纹理的精度的影响。在陇西县实验区,本研究以高于人工提取130倍的效率提取了陇西县944800个地块,耕地地块具有高度的轮廓精确度和类别精确度。本文也讨论了本方法在实际地块生产中的意义:一方面,在地块尺度上的概率分布热力图使地块分类精确度可以通过调整阈值实时变化,使更智能的人机交互的地块提取工作成为可能;另一方面,边缘模型和纹理模型对样本的需求量低,使这种耕地提取方法在实际生产中可以快捷灵活地应用于新的数据和地物类型,具有广阔的应用前景。