遥感的兴起与发展为包括城市规划、土地利用等各个领域的发展提供了海量的数据,遥感影像包罗万象,有丰富的地物信息。对遥感影像的应用主要集中在对地物的精准提取的基础上,其中包括建筑物、道路或其他大型工程的人工地物在城区的高分辨率遥感影像中占比超过80%,准确、自动、迅速的提取建筑物为后续遥感影像的使用提供了基础。目前中外对遥感影像的建筑物检测识别和提取已经取得了一定的研究成果,但是大部分还是需要由人工手动实现,一些理论和方法还不够成熟,无法满足实际的需求。特别是在居民区,由于建筑年代的不同、居住时间、维护等的差异,造成了建筑物空间布局杂乱、地面覆盖种类和分布复杂,加上房屋本身结构多样,各种自动提取的方法依然困难重重,效果欠佳。因此,建筑物的自动化提取仍然具有广泛的研究前景和重要的意义。本文就针对这种现象,基于城区的高分辨率遥感影像,在卷积神经网络的基础上,提出了一种有效的建筑物识别与提取方法。本研究主要内容和成果如下:(1)建立了高分辨率多光谱遥感影像训练数据集,用于基于卷积神经网络(CNN)的深度学习。使用空间分辨率为20cm到30cm的航空正射影像,结合地面数据库(ground truth),人工截取正射房屋及其他类别RGB图片,并进行数据增强构建大数据,形成尺寸为160X160像素大小、总数为1642的对象样本集,其中包含1314个训练样本,328个测试样本。识别类别为建筑物与其它。房屋图片作为正样本,标签为0,其他图片为负样本,标签为1。(2)对比分析了不同的卷积神经网络模型在遥感影像建筑物数据集上的表现。由于很多已有的CNN网络对图片的分类功能都能达到非常高的正确率,且实践证明具有良好的扩展性。因此一般的分类任务人们会直接选择这些网络连接方式作微调来缩小网络规模。由于遥感影像的内容不同于普通图片,特别是在纹理方面有一些明显特征,几种常见卷积神经网络Alexnet、VGG、Googlenet和ResNet的模型结构对遥感影像的特征表达和提取效果尚未知晓,因此我们分别在本实验数据集上对这些网络模型进行实现,以选择最适应于遥感影像的模型。由于手工建立的样本集数量有限,而一般的CNN通常要求高达上万的数据量来完成学习任务,所以我们要研究提高网络学习性能的各种方式和技术。通过大量实验精调参数,获得了理想的模型结构。利用样本数据训练神经网络,学习和分析数据特征。(3)调整了模型的结构,优化了模型参数,结合了选择搜索算法分割影像,实现了大范围遥感影像中建筑物的自动识别与提取。在特征学习的基础上,调整了网络参数,研究合适的分类网络进行目标识别。比较了分类器softmax和支持向量机的分类效果,选择了更适应于本研究卷积神经网络的分类器,在此结构上完成了建筑物与其他地物样本的准确分类,正确率达到100%。结合selective search方法提取整幅遥感影像中的均匀区域作为待识别样本,实现建筑物的自动识别与提取。结论:卷积神经网络除了可以识别和定位小型图像中的目标,也可以应用于遥感影像的目标提取。我们的研究获得了一个初级训练后的建筑物识别网络,它可以通过继续输入新建样本来获得更强大的识别能力,通过提高网络的输出概率来获得更精确的目标定位。本方法运行速度快,同时定位精度高,节省了时间和人力,为高分辨率遥感影像的建筑物提取提供了一种新的思路,对后续的城市规划、三维建模等应用有着重要的意义。