随着遥感技术的高速发展,其与人工智能技术结合变的越发紧密,并已逐渐深入到遥感领域的各个方面。现如今遥感影像分辨率的逐步提升,如何高效利用高分辨率遥感影像数据,尽可能快速的自动提取多尺度目标特征信息、减少目标特征信息的损失,已经成为了遥感领域研究的热点。其中,道路与建筑物都是地理信息中的重要组成部分,在城市规划、智能交通、土地利用等领域普遍应用。道路特征中通常具有线性尺度变换、多条道路交汇等特点导致提取困难;而建筑物特征中通常具有分布稀疏或者稠密的复杂情况,不同尺寸、朝向的建筑物组合排列等特点导致提取困难。针对高分辨率遥感影像场景下关键目标特征所面对的不同问题,本文基于多尺度特征融合的学习理论,分别针对道路和建筑物目标提取提出了不同的解决方法,主要工作如下:（1）针对高分辨率遥感影像中道路这一种关键特征信息,在提取过程中出现线性特征缺失导致道路不连贯、交汇处出现错误识别等问题,通过设计多尺度特征融合网络模型（DC-ASPP-Res Unet）提高了道路提取的整体效果。一方面,通过基于深度残差的网络设计混合空洞卷积,进一步扩大了特征提取的感受野,从而使得多尺度特征融合模块中浅层道路的语义信息更为丰富;另一方面,利用权重分布匹配感受野尺度,提高多尺度融合特征中获取浅层道路语义信息的准确性,将改进的多孔空间金字塔池化模块集成到深度残差网络中,实现不同尺度下道路信息的深度聚合。（2）针对高分辨率遥感影像中建筑物这另一种关键特征信息,在提取过程中相比道路特征更容易出现类别的不平衡性,导致不同尺寸建筑物目标提取困难、多尺度特征适应性差等问题,通过设计双重多尺度注意力机制特征融合网络模型（DMAF-RASnet）改善建筑物提取整体效果。首先,利用通道注意力模块构建残差网络编码端增强特征信息提取,在编解码之间融入多孔空间金字塔池化模块提取多尺度特征信息;其次,在解码端利用通道分组混洗和双重注意力机制融合的方式,整合建筑物特征之间的关联性和全局依赖性;最后,考虑到建筑物数据复杂多变性,设计混合损失函数来处理类别的不平衡,使得网络模型训练更稳定。本文对目标提取方法中的多尺度特征融合问题开展了深度研究,分别在面向道路提取和建筑物提取任务的过程中,设计了不同的多尺度特征融合方法,解决不同关键特征提取任务中所面临的问题。与此同时,两种方法均能够在实验结果的精确度上有大幅度提高,突显了方法的高效性,在以后对目标提取网络模型的进一步研究以及挖掘出相关方法的实际应用中,都有着非常重要的意义。