建筑物毁损评估对于地震应急响应、灾后重建都有十分重要的意义,其问题的关键在于如何在有限的时间和数据保障条件下获得可靠的建筑物毁损情况评估结果。由于在实际应用中,震前影像以及相应地理信息系统的数据很难保证,因此开展仅有震后影像数据的建筑物毁损评估方法研究更具实用价值。论文在前人工作的基础上,针对震后高分辨率遥感影像中的建筑物毁损评估方法展开了研究,主要研究内容如下:针对震后遥感影像数据本身的特点,提出了在低分辨率多光谱图像中检测建筑物区域用于排除干扰,然后利用全色图像融合的方式得到更高分辨率的建筑物区域图像的方法。该方法在提升建筑物毁损评估精度的基础上,也兼顾了检测效率。在建筑物区域提取阶段,提出了一种基于全连接网络的建筑物区域提取算法,该算法不仅能够实现端到端的输出,而且借助GPU加速能够达到较高的效率。为了解决震后遥感影像数据量大,标注数据少的问题,研究了一种先预训练后参数微调的两阶段训练方法,并采用基于GoogleMap和OpenStreetMap数据合成大规模标注数据的方法,该方法能够借助大规模的在线数据提高模型精度,解决了标注数据不足的问题。最后,针对建筑物区域提取本身的需求,研究了基于数学形态学的后处理方法用于得到完整的感兴趣区域以及去除小面积区域的干扰。在建筑物毁损评估阶段,提出一种基于迁移学习的面向对象影像分类方法。该方法在通常的面向对象影像分类框架中引入了基于卷积神经网络迁移学习的特征提取方法,本文对比了几种迁移学习方式的异同,并给出了最适于面向对象影像分类中的特征提取方式。其次,为了解决算法的参数敏感性问题,本文研究了一种基于边缘信息优化的多尺度分割方法,利用结构随机森林得到的边缘信息将图像过分割之后的超像素对象进行组合,从而得到能够较好保留对象边缘的多尺度分割结果。实验表明,本文提出的改进方式相比现有的算法能够在分类效率和精度两方面得到显著的提升。