地震灾害是对人类生存威胁最大的自然灾害之一,地震发生后建筑物震害信息的及时获取对灾后评估和应急救援有着重大现实意义。遥感技术具有快速、大范围、全天时的特点,能够在地震灾害发生后及时提供大范围宏观影像数据,为提取建筑物震害信息提供有力的数据支持。目前在传统的建筑物震害信息提取方法中,基于像元的方法提取特征单一,难以适用于地物背景复杂的震后遥感影像;面向对象的方法中最优分割参数难以确定,制约了信息提取的精度。近年来深度学习技术发展迅速,该方法可以从少量预处理或者未处理的数据中学习到更高级的特征表达,在图像分割领域取得了传统算法难以实现的应用效果。本文将深度学习方法应用于地震灾害场景中提取建筑物的震害信息,将遥感技术与前沿计算机技术相结合,以期提高建筑物震害信息提取的精度和自动化程度。本文的主要工作如下:(1)针对模型训练时缺乏震后损毁建筑物样本的问题,综合分析建筑物震害信息在遥感影像上的解译特征以及损毁分级标准,通过标签标注、随机选取以及数据增强手段建立数据集,用于模型的训练和性能评估,数据集中震后建筑物按照损毁程度从低到高分为:基本完好、破坏、完全损毁三类。(2)针对U-Net网络深度略有不足,不能明确地表征复杂地物特征从而影响建筑物震害信息提取精度的问题,引入残差思想,结合空洞卷积构造高效残差空洞卷积块,增强网络模型的特征提取能力,同时引入正则化技术对网络进行优化,构建E-Unet(Efficient U-Net)模型。(3)为验证本文方法的有效性,将E-Unet网络和U-Net、Seg Net网络在相同数据上进行实验,并进行定性和定量分析。结果表明本文构建的E-Unet网络模型对建筑物震害信息提取的精度更高,在测试数据上的平均总体分类精度为93.2%,Kappa系数为0.8232,macro-P和macro-F1指标分别为88.26%和86.55%。相比于U-Net和Seg Net网络,E-Unet区分不同类别建筑物震害信息的能力更强,基本完好、破坏、完全损毁三类的平均提取精度分别为89.73%,80.39%和87.59%。