近年来,遥感技术有了长足的发展,遥感图像的数量日益增长、空间分辨率不断提高、光谱信息更加丰富,为遥感图像各领域的研究提供了重要的分析条件和资源。目标检测作为遥感图像处理的一个重要组成部分,其应用领域涵盖了军事和民用的方方面面。从高分辨率遥感影像中对建筑物进行目标检测在GIS数据库更新、军事侦察、土地利用分析、城市规划、灾害评估等领域有着广泛的应用。传统的建筑物目标检测主要依靠底层视觉特征,如颜色,纹理,形状等。这类方法普适性稍差,检测性能取决于人工筛选的低级特征,表达能力也有限。近几年,随着计算机硬件技术的不断发展和大规模高分辨率遥感影像学习样本的出现,以深度学习为代表的卷积神经网络在目标检测领域表现出了出色的检测性能,极大地提高了这些领域的准确性。然而,单一特征进行目标检测时,难以避免建筑物的细节信息在网络学习过程中损失,使得网络难以准确的提取和表示相关特征,从而导致检测效果不理想。在这种情况下,相关学者尝试将信息融合的思想应用到建筑物目标检测任务中,从多数据源,多尺度特征融合以及分类器决策融合等方面构建目标检测网络,在遥感图像建筑物检测任务中取得了较好效果。本文基于信息融合相关思想,针对高分影像建筑物目标检测任务进行了以下两方面工作:（1）基于边缘特征融合的高分影像建筑物目标检测方法由于遥感图像背景复杂,建筑物尺寸较小等因素的影响,在进行检测任务时,容易出现建筑物轮廓模糊、缺失等问题。针对这一问题,本文设计了自适应加权边缘特征融合网络（VAF-Net）。该方法针对遥感图像建筑物检测任务,进行了以下几个方面的工作:一是基于编码解码网络U-Net进行了目标检测基础网络UV-Net的构建,通过增加网络层数以及“卷积—池化”结构块适当增加网络参数,解决U-Net网络因参数过少引起的特征表达不充分的问题;二是设计了融合边缘特征的建筑物目标检测网络VF-Net的构建,基于Sobel检测算子边缘检测的结果,在UV-Net网络的基础上,设计了并行的边缘特征检测子网,并在相应的层次融合两种不同的特征图,以此来丰富特征图中的边缘信息;三是针对特征融合部分设计了自适应加权特征融合策略,借助反向传播,自适应的更新融合权重,从而更好的利用不同的特征对网络的贡献。（2）基于超像素决策融合的高分影像建筑物目标检测方法基于边缘特征融合的方法在一定程度上很好的解决了边缘模糊的情况,但是其在较大型建筑物的检测中表现较差,同时受建筑物阴影的影响,其边缘图像可能会有噪声,因此引入超像素分割算法,并进行了以下几个方面的工作:一是超像素分割函数SLIC的优化。在网络设计之前,本章首先对针对SLIC超像素分割算法不能自动进行K值选择这一方面的缺点进行优化。借助超像素优化合并函数以及CFSFDP算法进行K值得自适应确定并优化分割区域。二是超像素决策融合网络得设计。在超像素图像预处理基础上,以改进的基础目标检测网络UV-Net为骨干网络,分别以RGB图像和超像素分割影像为输入进行决策融合网络的设计,在决策层面上进行融合。借助Adaboost算法联合基础分类器的分类结果进行最终的决策输出。该方法在方法（1）的基础上,进一步提高了建筑物检测的精确度,检测效果较好。本文所提出的方法均能在一定程度上提高高分影像建筑物目标检测的精确度,相较于基础检测网络U-Net,在综合评价指标F1-score上有将近十个百分点的提升。从输出的图像中也可以看出,本文方法检测结果完整,建筑物边缘清晰,对小型建筑物的检测更为有效,具有较好的实用价值。