如今城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象。基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。现有提取方法主要依赖人工设计的特征,虽然取得了一定效果,但耗时费力。本文以卷积神经网络为基础,利用它能自主学习多层次特征的能力,提出了“编码器-特征增强-解码器”结构的、激活函数为ELU的网络模型FE-Net(Feature Enhancement Network),实现了端到端的高分辨率遥感影像建筑物提取。具体研究如下:(1)以美国马萨诸塞州建筑物数据集为实验数据,基于U-Net模型,对网络模型层数进行相关探究。本文主要探究网络层数为5层、6层、7层的U型网络模型(U-Net5、U-Net6、U-Net7),当网络层数为8层时,由于受实验条件限制,故不考虑。通过比较不同网络层数模型(U-Net5、U-Net6、U-Net7)的建筑物提取效果和精度,以找到最佳的基础网络模型。(2)基于(1)找到的最佳基础网络模型,通过在基础网络模型的结构中添加特征增强结构来改善网络模型算法的性能。其基本思想是,由于“编码器-解码器”结构的基础网络中存在连续的下采样部分,该部分很容易损失细节信息,为减少细节信息的损失,保留详细信息,故在最佳基础网络模型的结构中添加了基于空洞卷积的特征增强结构,该结构可以获得图像的多尺度特征,保留详细信息,不会出现分辨率减小的情况,它通过串联与并联的连接方式将多尺度的特征图相加,实现了特征增强。对于特征增强后的网络模型,利用美国马萨诸塞州建筑物数据集进行建筑物提取。(3)为了进一步改善网络模型性能,本文基于(2)构建的模型,对其进行了激活函数的替换。由于以上网络模型的激活函数ReLU容易产生神经元“死亡”、权重无法更新的现象,而ELU激活函数不仅具有ReLU的所有优点,而且可以有效防止神经元“死亡”,很好的弥补ReLU的不足,因此利用激活函数ELU对ReLU进行替换,得到激活函数为ELU的网络模型FE-Net,基于该模型,对美国马萨诸塞州建筑物数据集进行建筑物提取。(4)以高分辨率遥感影像——国内武汉建筑物数据集,对以上的网络模型:(1)U-Net5、(2)U-Net6、(3)U-Net7、(4)“编码器-特征增强-解码器”网络结构模型、(5)激活函数为ELU的“编码器-特征增强-解码器”网络模型FE-Net分别作进一步验证,并分别对其建筑物的提取效果作定性和定量评价。通过上述实验,结合美国马萨诸塞州与武汉两组高分辨率遥感影像建筑物数据集的提取结果,经定性和定量分析可以发现,提出的网络模型FE-Net能够较好的实现高分辨率遥感影像建筑物提取,提取精度F1值分别为97.23%和90.12%,取得了较好的建筑物提取效果。