随着实景三维中国建设的快速推进,建筑物信息提取的要求越来越高。遥感影像具有十分丰富的地物信息,建筑物信息提取是遥感影像解译的重要内容之一,从遥感影像中高效、精确地提取建筑物信息十分重要。对高分辨率遥感影像数据而言,不同场景下的建筑物存在地物特征的差异。目前的建筑物信息提取方法存在建筑物提取轮廓不清晰、边界建筑物过于密集导致建筑物特征信息模糊和小目标建筑物无法有效提取等问题。本文基于深度学习的理论和算法,采用WHU建筑物变化检测数据集、Inria航空影像数据集和无人机影像数据,在对遥感影像进行图像增强和归一化等预处理工作的基础上,制作建筑物数据集,然后构建卷积神经网络来提取多场景下的建筑物信息,并与其它常规模型进行实验对比分析,来开展基于深度学习的建筑物信息提取研究。现将本文的主要研究结论总结如下:（1）针对复杂场景下建筑物提取存在的梯度爆炸和位置信息容易被忽略的问题,本文构建了U-Net网络改进模型,来提高建筑物信息提取精度。该改进模型首先在UNet网络的编码器部分加入残差结构Res Net50,用来缓解网络层不断加深带来的梯度爆炸问题;然后加入坐标注意力模块（Coordinate Attention Module,CAM）,利用该模块考虑通道间的关系和特征空间的位置信息,进而对模型收集位置信息的能力进行改善,从而利用更深层卷积神经网络的编码器获取到丰富的图像特征信息。本文采用WHU建筑物变化检测数据集,对该改进模型进行实验研究,并与U-Net模型、Seg Net模型、PSPNet模型进行对比分析。实验结果表明,相比其它模型,其准确率、召回率、Iou分别达到了98.74%、95.45%、96.40%,该改进模型的建筑物提取精度为93.44%,优于本文其它对比模型。（2）针对仅依靠增加图像特征及位置信息不能有效提升图像分割精度的问题,本文构建了一种融合多特征的改进型PSPNet模型,来开展建筑物提取研究。该模型首先在PSPNet网络结构中加入膨胀卷积（Dilated Convolution,DC）模块,融合图像的深浅层特征,获得上下文信息以及全局和局部特征信息;然后加入空间金字塔池化（Spatial Pyramid Pooling,SPP）,对网络特征提取的泛化能力进行增强。本文采用Inria航空影像数据集,对该改进模型进行建筑物提取实验对比分析。实验结果表明:与U-Net模型、Seg Net模型、PSPNet模型和改进型U-Net模型相比,该改进模型更有利于提高建筑物提取精度,其准确率、召回率、Iou分别达到了95.90%、85.76%、82.13,模型的建筑物提取精度可达85.93%。（3）基于多源遥感影像数据,本文开展了多场景下建筑物提取实例研究。在对无人机影像乡村建筑物数据集和Inria航空影像数据集进行预处理的基础上,选择了不同场景下的两幅乡村建筑物影像和三幅城市建筑物影像来开展实验研究,验证在有道路、植被遮挡和裸土等干扰情况下,本文构建模型用于提取建筑物信息的可行性和有效性。实验结果表明:融合多特征的改进型PSPNet模型,能有效提取占地面积大的场馆类建筑物;对于占地面积小的建筑物,该改进模型提取效果良好,能够避免植被、道路和裸土的干扰;对于乡村密集型建筑物,该改进模型提取精度为89.57%。最终结果表明本文构建的改进模型能有效提取多场景下的建筑物信息。