城市典型地物要素是城市规划、建设和管理中的重要基础地理信息,可以为城市土地利用调查、城市精细化管理、空间规划等提供基础数据支持。目前,深度学习技术已经广泛应用于基于遥感影像的城市建筑物、道路等地物要素的提取,其中,输入卷积网络模型用以训练的地物要素样本则是决定基于深度学习的信息提取成败的关键因素之一。国产高分卫星的迅速发展为基于高分影像的地物要素的提取提供了更多可用的数据资源。针对目前基于国产GF-2卫星城市典型地物要素样本数据集缺乏的现状,本文设计了专门服务于住建行业的城市典型地物的分类体系,包括建筑物、道路、绿地、水体和桥梁5类。并基于GF-2影像的可识别特征,对城市建筑物进行了二级细类的划分,为建筑物从特征分类转换为功能用地类型奠定基础。在此基础上,设计了一套可实施的样本采集方案及建库流程,借助于Arc Py实现样本的自动入库。为了更好的管理和利用样本数据集,本文基于B/S开发架构,结合Geo Server和Open Layers等开源工具开发了城市典型地物样本库可视化管理平台,实现全国20个城市405个公里格网样本数据的集中管理。本文所构建的大体量、高灵活性的样本库将有助于卷积神经网络训练出高精度的典型地物要素的分割结果。