随着遥感技术以及深度学习技术发展,以深度学习为主流的机器学习逐渐开始取代人工目视解译的方法,为遥感影像中地物目标的自动化提取提供可能;同时随着城镇化的快速发展,城市建筑物数量增长迅猛,使得航空影像中建筑物的提取及其变化检测为土地督查、因地震、火灾等自然灾害后重建或拆除建筑物区域的自动化检测提供了极大的便利。高空间分辨率(HR)与超高空间分辨率(VHR)遥感影像地物信息更多、能够识别的物体更小,有利于深度学习算法模型提取深层次的结构特征、提高地物检测精度。但目前,基于HR和VHR的两时相航空影像建筑物数据集较少,加大了遥感影像建筑物变化检测的工作量;同时针对传统方法在遥感影像检测时存在精度低、边缘不准确等问题,本文有以下研究内容:(1)汇总通过在本文研究过程中总结的有关HR和VHR遥感图像建筑物变化检测的公开数据集,为城市建筑物变化检测的相关研究学者提供便利。(2)基于DeepLab v3+模型的VHR航空影像建筑物提取。由于建筑物是城市土地种类的主要部分、占面积最大、变化最活跃,因此本文将基于编码解码结构的空洞卷积图像分割模型(DeepLab v3+)应用于大型的VHR WHU建筑物数据集中,实现对城市建筑物的分割与分类过程的一体化提取,实验表明DeepLab v3+模型能够取得达89%的Io U建筑物提取精度;同时采用Sobel边缘检测算法对建筑物提取的边缘进一步进行优化,实验表明本文使用边缘检测算法优化建筑物提取精度的方法可保留部分建筑物边缘信息。(3)基于DeepLab v3+模型的VHR航空影像建筑物变化检测。对地震后两个时期的VHR WHU建筑物变化检测数据集的建筑物分别进行提取,将两时相建筑物提取结果分别与Sobel边缘检测结果相叠加并进一步处理后得到最终的建筑物变化检测结果图,实验表明基于DeepLab v3+模型以及Sobel边缘检测方法在VHR航空影像建筑物变化检测上具有可行性。