建筑物为城市居民的居住、工作、休闲以及其他活动提供了基本的功能活动空间,快速提取高分辨率遥感影像数据中的建筑物信息,对城市规划、地表动态监测和土地利用管理等具有重要意义。但考虑到遥感影像构成复杂,仅依靠人力解译不仅效率低下,同时存在极大不稳定性。目前,相关建筑物提取与变化检测算法已能够实现建筑物的自动化分割,并有效地提高建筑物分割精度。然而,由于建筑物具有颜色纹理等特征可区分度高、呈一定空间排列分布、尺度大小不一、边缘形状复杂等特性,同时变化检测任务中前后时相影像存在时序关联的特点,建筑物的自动化提取与变化检测算法研究仍是一项具有挑战性的任务。因此,本文围绕遥感影像中建筑物提取与变化检测模型展开研究,主要工作包括:（1）针对高分辨率遥感影像中建筑物主体难定位、建筑物空间上下文信息未能有效利用、多尺度建筑物难充分提取等问题,提出了一种基于双向监督网络的建筑物提取模型—BDS-UNet。首先,在U-Net模型的跳跃连接部分引入协调注意力门控模块,通过沿着横纵两个不同空间方向聚合特征信息并互补生成注意力热图,合理整合建筑物特征并实现对建筑物主体的精准定位。其次,在U-Net模型的桥接部分加入连续空间金字塔模块,对小尺度空洞卷积分组并在组内对输入特征进行逐级叠加,进一步捕获不同建筑物间存在的空间上下文信息。最后,提出一种双向监督结构,在解码阶段分成自上而下和自下而上两个部分传播并融合相邻解码器的预测结果,有效提升模型的多尺度建筑物提取能力。公开的Massachusetts数据集和WHU数据集上的实验结果证明了本文所提出模型在建筑物提取方面的出色表现。（2）针对前后时相影像间时序特性难以充分捕获、变化区域边缘细节和空间上下文信息易被忽略的问题,提出一种基于变化感知和全局增强的建筑物变化检测模型—CAGE-Siam-UNet。首先,在Siam-UNet模型的孪生编码器特征融合阶段加入变化感知模块,从时空激活、通道激活和感知激活三个分支对前后时相特征进行激活,从而凸显不同时序建筑物的变化差异。其次,提出一种全局增强解码器结构,通过局部细化操作、空间上下文特征融合和双向深度监督,在丰富变化区域边缘细节和空间上下文信息的同时,优化模型的多尺度变化区域提取能力。公开的LEVIR数据集和WHU变化检测数据集上的实验结果证明了本文所提出模型在建筑物变化检测方面的出色表现。