无人机低空遥感技术作为空间地理信息获取的重要技术手段之一,对低空无人机遥感影像中建筑物信息的快速、准确提取对于地理信息的基础建设及更新具有重要的意义。尽管在此方面研究人员进行了研究且取得了重大进展,然而使用单一数据类型（2D遥感图像或3D点云）进行建筑物自动提取,仍不足以准确地描绘出建筑物轮廓以进行自动制图。本文提出了一种结合超像素分割和语义识别从无人机影像中提取建筑物的有效方法,该方法通过使用改进的简单线性迭代聚类（SLIC）算法和多尺度孪生卷积网络（MSCN）共同构建建筑物提取的框架,实验证明该方法对无人机影像中建筑物提取大规模应用具有较好的示范作用。本研究在建筑物提取方法上的主要研究内容及成果如下:（1）图像分割方面,提出了一种基于SLIC算法改进的图像分割算法（即6DSLIC）。该方法加入额外的高度信息用于超像素分割的模型,首先根据像素的颜色相似度对像素进行聚类在二维像平面空间中生成超像素,然后利用3D点云的高度信息对像素进行聚类,有效解决了颜色相似区域过分割问题,提升了边缘模糊区域分割精度,适用于具有类似辐射特征的建筑物和图像背景下的建筑物边界检测。（2）植被检测方面,提出了一种基于伽马变换的绿叶索引（GGLI）来检测包含植被的超像素以进行进一步处理,GGLI通过增强植被强度和使用自适应阈值来提取植被,提高了建筑物检测的鲁棒性和效率。（3）建筑物检测方面,所提出的MSCN（包括特征学习网络和二进制决策网络）用于自动学习多尺度分层特征表示并在各种复杂背景下检测建筑物对象。MSCN建筑物检测模型能够提取不易受图像灰度变化影响的非线性高级语义特征,具有更高的鲁棒性。提出了使用Douglas-Peucker算法和迭代优化的正则化算法,有效消除细微结构产生的锯齿状细节。