随着全球范围内遥感卫星技术的突破与发展,获取的遥感图像所包含的信息也愈加丰富与清晰,其记录的地物纹理、几何、色彩等信息,能够为城市规划、地震救援、交通规划等重大工程提供必要的基础性数据。近年来,虽然遥感图像建筑物的提取研究有所发展,但鉴于建筑物形态特征具有随时间、地域、审美等因素变化的特性,并没有一个绝佳的方法能与之适配,遥感图像建筑物的提取仍面临诸多挑战。利用传统方法对遥感图像建筑物信息进行提取,通常会存在人工成本损耗大和精度不高的局限,因此,将深度学习技术应用至遥感或航天图像建筑物的提取具有广泛的意义。通过查阅国内外相关文献,结合遥感图像建筑物特点和卷积神经网络原理,本文提出了一种多尺度融合的变形残差金字塔网络（Multi-scale fusion of Deformation Residual Pyramid Network,MDRP-Net）。该网络首先通过引入深度编码网络和增加网络特征传递路径的方式,对Unet模型结构进行改造,将原单一串行网络结构改变为以深度编码网络为主、下采样旁路网络为辅的双路径特征提取网络。然后在编码网络末端引入一种以可形变卷积网络提取的特征为总输入、不同尺度特征间使用残差模块进行连接的金字塔网络结构,增强网络对建筑物轮廓多样和尺度多变的适应能力。最后,使用联合上采样解码器以完成对遥感图像建筑物特征的解码和识别任务。在公开的遥感建筑物数据集Mnih上进行了对比实验,结果表明,引入的两种网络结构均能在原Unet模型基础上提高分割精度,且两者共同使用时分割精度最高,在F1和MIoU评价指标上分别为0.870和0.784。在自制的数据集上,主要对比了MDRP-Net模型使用随机擦除预处理前后的分割性能对比实验。首先利用Local Space Viewer平台截取谷歌公开的遥感图像,并自制广州市大学城建筑物二分类数据集,然后通过修改随机擦除生成策略,对自制数据集进行预处理,最后,设计对比实验并选取三种类型的测试区域对模型进行预测,针对预测结果进行了综合的分析与评价。