合成孔径雷达(SAR)相比于普通的光学成像系统而言，其最大的特点就是能够不分时段、不分天气地进行对地观测。正因为这种持续性强、抗干扰性强的特点，使得其在对地观测领域中应用甚广，尤其是在城区规划应用中，在这其中建筑区域的提取工作更是尤为重要。　　在SAR图像中，建筑区域自身所带有的叠掩、二面角等效应使得其整体区域具有很强的结构性特征，这也就为后续的研究提供了很强的研究切入点。本文针对SAR图像建筑区域检测中受相干斑噪声干扰，底层特征不稳健等问题，结合神经网络的高层特征提取能力，提出了基于加权输入的卷积神经网络和基于改善的全卷积神经网络的SAR图像建筑区域检测算法。研究的内容如下所示:　　1.基于加权输入的卷积神经网络的建筑区域检测方法。本文采用卷积神经网络模型检测建筑区域，通过高斯加权预处理过程降低检测结果受到图像块边缘结构的影响。此外，通过投票判定方法实现像素到像素的检测过程，使得在避免SAR图像中建筑区域特征表示困难的同时，提升了检测精度，并且形成了端到端的统一检测框架。最后在高分辨率TerraSAR-X图像上验证了算法的有效性。　　2.基于改善的全卷积神经网络的的建筑区域检测方法。本文采用全卷积神经网络来实现SAR图像建筑区域检测，并做了如下改善:　　(1)提出上下文网络模型，在原有网络基础上加入上下文网络改善感受野，提升检测精度。这是由于在训练过程中，利用迁移学习来降低对数据集要求以及训练难度，但是由于浅层卷积利用低分辨率图像训练得到，在高分辨率SAR图像上语分义割效果受限。由于感受野受限，使得在局部模糊区域上检测结果不一致，降低了最后的检测精度。　　(2)加入全连接条件随机场-循环神经网络结构。从而加强检测结果像素之间的联系，提升检测精度，形成端到端、像素到像素的检测框架。　　最后在高分辨率TerraSAR-X图像上验证了相应算法的有效性。