合成孔径雷达(SAR)是一种高分辨率微波成像雷达,其成像过程中不受云层、天气等环境因素的影响,可以实时对地面进行观测,对光学观测设备进行一定的补足,因此,SAR被广泛应用于对地监测任务中。近年来,城市发展建设不断加快,对于城区的监测在对地监测任务中显得尤为重要,因而,对SAR图像中建筑区域的提取工作引起了人们的重视。在高分辨率SAR图像中,由于成像机制特殊,建筑区域在成像过程中会出现叠掩、二面角反射、阴影、镜面反射等效应,从而在SAR图像中呈现出丰富的结构信息,这为SAR图像建筑区域的提取提供了基础。本论文针对SAR图像建筑区域丰富的结构信息,结合卷积神经网络的强大的特征自动提取、表征能力,提出一系列SAR建筑区域自动提取算法,主要研究内容如下所示:1.提出基于结构化预测的卷积神经网络的建筑区域检测方法。针对基于图像块级别的建筑区域检测方法对建筑边缘表征不准确,且没有充分利用到像素间的类别相关性信息,本章引入结构化预测的卷积神经网络对建筑区域进行提取,同时,针对SAR图像建筑区域尺寸变化不一的特点,改善网络结构,使网络具有多尺度特征表达能力,提高建筑区域检测精度。2.提出基于注意力机制的卷积神经网络的建筑区域检测方法。针对SAR图像中相干斑噪声及周围环境影响导致检测率和虚警率难以同时优化的问题,使用加权交叉熵损失函数分别得到高检测率和低虚警率的检测结果,然后通过注意力机制融合高检测率和低虚警率的检测结果,得到最终结果,提高精度。3.提出基于对抗训练机制的卷积神经网络的建筑区域检测方法。分割网络进行训练时,往往针对各个像素的类别信息使用交叉熵损失函数进行优化,这样会使网络很难学习到图像的高层信息(图像空间一致性等)。针对这个问题,本章引入对抗训练机制,在分割网络和判别网络的对抗训练优化过程中,使得分割网络学习到判别网络回馈的图像高层信息,从而优化检测效果,提高检测精度。以上所有工作都在高分辨率TerraSAR-X图像上验证了算法的有效性。