建筑区域是人类活动的主要场所,同时也是灾害发生时人员伤亡和财产损失最为严重的区域。因此,在灾害发生之后,快速、准确地评估受灾区域建筑物的损毁情况对于灾区开展应急救援、决策指挥以及灾后重建等工作具有重要意义。遥感技术因具有大面积对地观测能力,获取地表信息速度快、周期短,目前已经成为灾害监测与评估的主要技术手段之一。特别地,高分辨率遥感影像能够为损毁建筑物解译提供更加精细的纹理和空间信息,并且获取日益便利,为损毁建筑物识别和精准定位提供了重要的数据支撑和保障。以卷积神经网络为代表的深度学习模型由于能从训练样本中自动学习到从底层视觉特征到高级语义特征的层次化特征表达,规避了传统人工设计特征的不完备性以及对先验知识的过度依赖性缺陷,模型的泛化能力也得到大幅提升,因此,卷积神经网络能为损毁建筑物检测与精准提取提供技术支持。然而,目前大多数研究工作将适用于自然图像理解的深度学习模型直接迁移应用于损毁建筑物提取,缺乏对该任务的针对性思考,主要表现为以下两点:（1）模型方面:许多方法直接基于语义分割模型或目标识别模型提取损毁建筑物,忽略了这两类模型对训练样本的高标注要求（像素级与对象级标注）;（2）数据方面:除高分辨率遥感影像数据外,不少方法还额外利用了灾前建筑物矢量数据作为约束,可能限制了方法的应用场景;此外,大多数方法也忽略了实际灾害发生时,短时间内获取的遥感影像数据普遍存在差异的问题。针对以上问题,本文从实际灾害面临的短时间内获取数据有限且存在数据差异的实际情况出发,分别针对两种不同的高分辨率遥感影像数据情况,尽可能仅使用容易获取的图片级标注样本,设计了与影像数据特点及样本标注形式高度匹配的损毁建筑物提取框架。本文的主要研究工作及研究成果可以总结为以下两方面:（1）在仅使用灾后高分辨率遥感影像数据的情况下,本文提出一种基于类别热力图的弱监督损毁建筑物提取方法。该方法联合重复场景分类和类别热力图思想,只需图片级标注样本训练模型便能直接得到像素级解译结果,一定程度上弥补了场景分类定位不准的缺陷。相比基于语义分割模型和目标识别模型的方法而言,该方法只需图片级标注样本,大大降低了样本的标注难度;较同样基于图片级标注样本的场景分类方法而言,该方法的损毁建筑物定位能力更强,提取精度更高。实验结果表明,该方法几乎在所有定量评价指标上均全面超过其它对比方方法,平均F1分数达到50.59%,较重复场景分类方法提升4.15%,平均总体精度达到92.58%。（2）在联合使用灾前、灾后高分辨率遥感影像数据的情况下,本文提出一种基于多尺度场景变化检测的损毁建筑物提取方法。无需灾前建筑物矢量数据,该方法直接利用语义分割模型提取灾前影像中建筑物区域,有效避免了非建筑物地物的干扰;接着,联合多尺度分割方法和孪生网络模型,实现了多尺度损毁建筑物检测;最后,为提升分类精度,对各尺度提取结果进行自动融合。本文方法顾及了遥感影像中各地物间的尺度差异,同时也降低了对两时相影像间的配准要求。实验结果表明,较其它对比方法而言,该方法几乎在所有精度评定指标上均取得最高结果,平均F1分数达到64.73%,较基于损毁建筑物像素级标注样本的实例分割方法高5.47%,提取效率较普通重复场景分类方法也提升近60%。除此之外,实验还分析了不同场景分类网络对本框架提取精度的影响,结果显示引入灾前场景信息对于损毁建筑物识别性能提升具有重要意义;合理地融合较高层次特征也可以有效提高场景变化检测性能。