地震灾害中,建筑物损毁是造成经济损失与人员伤亡的主要原因,快速识别建筑物震害信息对合理安排规划救灾与灾后重建工作尤为重要。本文以震后高分辨遥感图像的建筑物损毁信息识别为研究目的,将深度学习方法与震后高分辨率遥感图像相结合,实现了震后建筑物损毁信息快速、精确地识别。本文综合了深化网络结构、改进卷积方式以及添加批标准化层的改进方法,探索了Unet网络模型的优化方法及其在建筑物震害信息识别中的应用。以熊本地震图像为样本数据,通过实验证明:改进型Unet结构在震后建筑物分割方面取得了良好的效果,比同样条件下的Unet网络的分割结果精度与速度均有所提高,其中分割结果的MIo U可以达到0.8109。最终,本文采用浏览器/服务器模式构建了高分辨率遥感图像建筑物震害信息识别系统,该系统分模块实现了样本制作、模型训练、震害识别等功能,简化了利用深度学习分割震后建筑物的操作流程。研究内容包括以下4个方面:（1）分析了基于遥感图像的建筑物震害提取方法研究现状,重点阐述了基于多时相和单时相遥感图像的提取方法,以及深度学习方法在建筑物震害提取领域的发展状况。（2）针对建筑震害信息的遥感图像样本集缺乏问题,基于熊本地震图像,综合图像预处理、样本标注、数据增广等方面,设计了制作语义分割数据集的操作流程框架,并予以应用。（3）以在建筑物提取领域表现优异的Unet分割模型为基础,探索了更适用于识别建筑物震害的改进型Unet网络模型。从网络结构深度、卷积方式、批标准化层三个方面进行优化,提高了建筑物震害识别精度和运行速度。（4）构建了基于改进型Unet结构的建筑物震害识别系统。该系统集成了图像预处理、样本集制作、模型训练、震害识别模块,是一个由图像输入到识别结果图输出的流程化操作系统。