随着城乡一体化进程的推进,建设用地面积不断提高,建筑物逐渐成为土地调查的重要对象。查清查实建筑物的位置分布有利于城乡合理规划与建设用地空间合理布局。无人机遥感技术具有操作便捷、易于培训等特点,能在土地调查中节省大量的人力物力,被广泛应用于国家土地调查。然而,目前无人机遥感影像的解译多采用人工标记、ENVI、面向对象的影像分割技术等传统解译方法,不仅浪费人力物力,而且解译精度较差。随着计算机视觉技术和人工智能的发展,深度学习算法端对端的学习特点被证明在图像识别中具有优越性。在此背景下,本文以四川省眉山市丹棱县的1:2000无人机遥感影像数据为研究对象,结合显著性检测算法与卷积神经网络对该区域内的建筑物样本进行训练,对无人机遥感影像中建筑物的检测进行了研究与探索。本文的主要研究成果如下:（1）本文研究分析了FT、HC、LC、AC四种显著性算法,用四种算法分别对无人机遥感影像中的建筑物进行显著性检测实验。通过获得的显著图可以看出LC算法对无人机遥感影像中的建筑物提取显著区域有较好的效果,同时从显著性检测时间上来看LC算法检测用时最短,因此本文选择LC算法来获取建筑物的显著图并将获得的显著图与原图融合制作新的样本数据库。（2）本研究实现了深度学习算法中卷积神经网络对建筑物样本的识别,针对VGG网络模型对建筑物样本提取图像特征的不足改进了VGG网络。优化后的网络模型识别精度为86.49%,相比VGG模型精度提高了2.02%。同时对比了深层网络模型与浅层网络模型在建筑物样本训练中的参数变化,得出网络结构层次较深的Inception v3模型在建筑物的识别上具有优越性,识别精度高于浅层模型能够达到96.38%。（3）本研究分析了显著性检测对建筑物识别的影响。将无人机遥感影像裁剪分成正样本与负样本,正样本为包含有建筑物的影像,负样本为没有建筑物的影像。识别模型的识别精度受提取的建筑物特征的影响,显著性检测能够突显建筑物特征同时弱化非建筑物背景,进而提高了模型的识别精度。（4）基于TensorFlow框架,分别用卷积神经网络结合传统滑窗算法、模板匹配和融合了区域建设网络与卷积神经网络的SSD-Mobile Net算法对建筑物进行目标检测。卷积神经网络结合传统滑窗算法能够检测大范围的无人机遥感图像,检测精度为卷积神经网络的识别精度。SSD-Mobile Net算法主要处理近景的图像,检测精度为93%。