在高分辨率遥感影像中,由于城市地表建筑物所具有的高度复杂性,使得直接基于遥感影像进行建筑物提取一直是影像信息分析中的难点。由于面向对象的建筑物提取方法在实际应用中提取精度不高以及后处理工作量大等局限性,近年来基于深度学习算法对建筑物进行提取的技术在建筑物提取的各类算法中崭露头角。目前,大多数深度学习方法均采用全卷积网络(FCN)的变体,如U-Net、SegNet和RestNet等。这些网络具有显著改善模型性能和抽象特征提取能力的优势,从而能够准确地完成图像的目标分割与识别。为了充分利用高分影像中建筑物的全局和局部信息以更精确地对建筑物进行分割提取,本文提出了基于全卷积神经网络上针对边界约束的校正神经网络模型(Boundary Regulated Network,BR-Net),使得建筑物的边界提取更加清晰完整。该模型由共享后端和多任务预测模块组成,利用修改的U-Net和多任务框架,根据共享后端的一致特征生成分割图预测值和轮廓构建。通过对边界信息的规定,提高了模型性能。并将改进后的模型应用于国际开源WHU建筑物数据集上,通过与传统的U-Net、SegNet、RestNet模型进行对比实验。实验表明改进后的模型,对于图像中建筑物提取的平均精度达到92.19%以上。该精度相对于传统U-Net、SegNet、RestNet模型,分别提高37.28%、4.09%、1.86%。本文选用江西省九江区域的GF-2影像,通过人工标注、图像裁剪、分区域统计、顺向旋转、镜像翻转对原始数据增广等预处理,建立了包含了栅格标签形式和矢量边界形式的多格式建筑物数据集。本文将数据划分为由224×224和512×512两种规格的图片组成的样本集,并将该样本集细分为主城区、乡村区和混合区三类区域。通过对U-Net、SegNet、RestNet模型与BR-Net的提取结果进行精度对比,探寻了不同规格图片的不同区域的建筑物提取精度。实验结果表明:在224×224规格的图片集中,主城区区域的建筑物提取的平均精度可达84.17%以上。为进一步凸显边界校正网络模型对建筑物提取的准确性,本文突破了传统研究中仅基于RGB图像的局限,采用了:1)遥感影像的RGB波段组合图片集,2)NIRRG波段组合图片集,3)前两类三波段组合图片的混合图片集,来对图片中的建筑物进行提取,从而最大程度上利用了GF-2影像波段。实验结果表明:相对于传统的只采用三波段信息的建筑物提取结果,本文基于四波段信息的建筑物提取结果的平均精度在224×224和512×512两类规格图片上分别提升了1.87%和1.74%。本文提出的边界校正网络,能够有效提升城市建筑物信息提取的精度,为城市建筑物信息的规模化提取提供了有效的途径。