遥感技术的迅猛发展推动了遥感影像空间分辨率的快速提高,从高分辨率遥感影像中检测和提取人工地物信息已经成为目前遥感技术、图像处理以及计算机视觉等领域的前沿课题,因此对其开展研究具有非常重要的理论与现实意义。地理信息更新、城市管理与规划、生态环境监测、地图导航、减灾防灾以及农林业等领域都依赖于建筑物的提取。但是高分辨率遥感影像建筑物提取在现实生活当中的应用还存在着很多限制,仍需对其进一步研究。本文针对现有的建筑物提取方法中存在的一些问题,以高分辨率遥感影像作为数据源,基于建筑物的几何特征建立建筑物基本模型,提出与其对应的建筑物提取方法,并对其进行规则化处理从而提取建筑物轮廓。本文的主要内容包括以下四个方面:1.对建筑物提取干扰最严重的因素是与建筑物相邻且高度相似的植被以及与建筑物具有相似纹理和色彩的道路信息。基于此,本文在进行建筑物提取之前对图像进行两步操作:第一,提出了一种提取植被的方法,由离线学习获取植被似然模型作为先验知识;第二,提取道路区域,引入Fisher线性判别(Fisher Linear Discriminant,FLD)和形状特征识别道路信息,利用形态学优化输出道路网达到道路信息剔除的目的。这两步为后续建筑物的提取提供了有利条件,减少背景信息对建筑物目标的干扰;2.将机器学习与人工智能中最常用的神经网络算法引入到建筑物提取领域,本文利用学习向量量化(Learning Vector Quantization,LVQ)神经网络算法进行建筑物的识别提取。通过实验仿真证明该算法具有良好的准确性和自适应性;3.研究估计建筑物主方向的方法。主方向属于建筑物的一种关键性特征,本文为准确高效地抓住此特征提出了两种估计建筑物主方向的算法:改进的直线拟合算法和迭代自组织聚类(Iterative Self-Organizing CLUStering,ISOCLUS)算法;4.引入基于矩形结构图元的直角多边形模型至建筑物提取领域,基于此提出了利用直角多边形拟合算法进行建筑物轮廓规则化处理,实验结果证明该算法能够准确有效地实现各种复杂形状的建筑物轮廓规则化。