高分辨率遥感影像具有丰富的纹理信息和空间几何特征,广泛应用于军事侦察、环境监测、城乡建设等领域,为其提供充分的地物信息。建筑物作为地物目标的主要组成之一,为城市基础设施规划和建设提供重要的理论依据。因此,如何精确、高效、智能地从高分辨率遥感影像中提取建筑物目标成为遥感影像研究的重要内容之一。本文主要对高分辨率遥感影像建筑物提取算法进行了研究,主要工作如下:分析了现有高分辨率遥感影像建筑物提取算法,针对当前进行建筑物提取的语义分割网络进行研究,总结现有网络的优点和不足,在此基础上设计一种密集连接型多尺寸特征融合网络。将网络编码器中最后一个池化层去掉,以避免图像分辨率和信息丢失,同时,引入密集连接型空洞空间金字塔池化(Dense ASPP)模块扩大感受野,通过分析感受野大小和特征图尺寸关系,合理设置了Dense ASPP模块位置和内部参数,并研究二者对网络性能的影响;采用特征金字塔模块(FPN)的思想,在解码器右端加入多尺寸特征融合结构,充分利用不同层次的语义信息,增加网络对于目标尺寸变化的鲁棒性。在马萨诸塞州建筑物数据集上进行的仿真实验结果表明,该网络有利于解决由于感受野不足而无法获取丰富的上下文信息,导致形状、尺寸多变的建筑物提取效果不佳的问题,在保证网络效率的前提下达到83.597%的平均精度,优于改进前的两种深度学习网络模型。针对高分辨率遥感影像数据集存在正负目标样本比例分布不均衡、目标边缘分割缺失的问题,对建筑物提取网络模型的损失函数进行改进研究。分析了密集连接型多尺寸特征融合网络所用的损失函数,通过计算正负样本比值和仿真实验,设置损失函数的权重参数,并分析不同损失函数的效果,进而选择有效解决正负样本比例不平衡的Focal loss作为模型的损失函数;同时,增加预测图和标签图边缘距离的损失函数约束项,以解决目标边缘分割缺失的问题。改进后的算法在马萨诸塞州建筑物数据集上进行仿真实验,结果表明,损失函数改进后,该网络模型能够解决正负目标样本分布不均衡和目标边缘分割缺失的问题,具有更好的目标提取效果。最后,设计了建筑物提取的仿真系统,直观地展示了建筑物提取结果,便于用户理解。