遥感技术的迅速发展，为地面物体提取提供了海量的高分辨率遥感图像。这些图像中地物的空间布局和几何结构更加清晰，纹理细节信息也更加精细，为建筑物、汽车、道路、桥的识别提供了数据保障。人工目标中的建筑物提取具有重要意义，在场景分析、三维城市景观重建、地图更新、军事检测等方面发挥着关键作用。但是由于建筑物的形状结构多样、周围背景复杂、不同地区密度差异大等原因，建筑物提取仍然是个具有挑战性的课题。本文在现有建筑物提取技术的基础上，结合建筑物的特征，对高分辨率遥感图像建筑物提取课题进行了研究。　　本文主要的研究内容如下:　　1、针对传统的建筑物提取流程，比较了几种简单的建筑物提取方法，重点研究了机器学习和卷积神经网络相关理论，分析总结了代表性算法的原理和优缺点。　　2、针对所使用的数据集设计了两种不同的特征，并基于这两种特征分别进行了有监督和无监督的建筑物提取方法研究。设计了基于阈值和K-Means的无监督建筑物提取方法，并对其进行了进一步分析，可知特征空间维度增加的同时，聚类算法寻找分界面的难度也随之增加，使得建筑物提取效果有所下降;设计了基于随机森林的有监督建筑物提取方法，并对决策树数量和不同特征对分类性能的影响进行了研究，验证了选取有效特征的重要性。　　3、提出了一种新的基于块的密集连接反卷积神经网络。遥感图像覆盖范围广、场景复杂，目前基于卷积神经网络的建筑物提取方法因层数较少，不能充分挖掘图像信息，导致正确率较低，错检率较高。简单地增加网络的层数会带来梯度流消失和信息流弥散等问题，无法有效地训练网络。本章在基于块的卷积神经网络的基础上进行了进一步的研究，分析了增加网络深度的利弊，通过引入密集连接方式，提出了一种新型的深层密集反卷积神经网络。该网络共有51层卷积权重层，不仅可以促进层之间的信息流动，减少模型参数，而且也使得高层能够充分利用低层的信息，尽可能保留空间信息，实现了像素级的建筑物提取，进一步提升了精度和效率。