城市数字化建设高速发展,建筑物作为城市地理数据中重要的地物类别之一,是城市大比例尺制图中需要重点表现的专题要素。建筑物的识别与提取对于特征提取、特征匹配、影像解译、制图等方面都有着重要的意义。遥感影像中的建筑物信息可以为土地管理、土地利用、城市规划、地震灾害监测等工作提供重要的决策支持,在智慧城市建设、违章建筑物查处以及军事侦察等多个领域也有着重要的应用。因此从遥感影像中自动提取建筑物目标是遥感影像解译的一项重要的研究课题。然而遥感影像中建筑物大小、形状、颜色、朝向等存在很大的差异性,给建筑物检测带来了很大的挑战。为此,本文提出一种基于多尺度多特征融合自动提取遥感影像建筑物的算法。遥感影像中建筑物以屋顶的形式表现,然而建筑物屋顶的颜色、纹理、形状各异,单一的特征难以表述所有的建筑物。因而本文提出了多种描述建筑物的有效特征,包括边缘密度与边缘分布、亮度反差、色彩反差等描述建筑物边缘、亮度和颜色的底层特征,同时加入主方向正交性以及目标完整性、对称性等特殊的结构特征,通过多种特征共同描述建筑物。并采用Adaboost算法对一系列样本进行训练,通过迭代学习得到多特征模型中各项特征的权重,从而得到多特征线性模型,计算滑动窗口中建筑物的视觉显著性。考虑到遥感影像中建筑物的大小不一,大到几千平米的厂房,小到几平米的棚子,难以在单一尺度的窗口中显示出强显著性。因而本文算法通过构建高斯金字塔模型,固定尺度的滑动窗口在不同层影像中对应着不同的实际地面面积,通过多特征模型计算不同层次的滑动窗口的建筑物显著性,实现不同尺度建筑物的同步检测。最后以超像素为单位,计算超像素块的显著性均值,并结合Otsu阈值分割算法将影像分割为建筑物和背景,从而提取建筑物。本文分别采用多组高分辨率遥感影像对提出的算法进行实验,并采用马尔科夫随机场模型以及FCN算法作为对比算法,通过对实验结果进行定性和定量的比较,表明本文算法对遥感影像中的建筑物可以取得更好的提取精度和实际效果,具有一定的实用性和优越性。