随着空间分辨率的不断提高,遥感影像已经可以清晰表达地物内部的几何结构和丰富的空间信息,使得更加精细的地物要素提取成为可能。然而,这种高分辨率带来的影像信息的高度细节化,导致了不同地物光谱间的相互重叠问题,而且同种地物内部的光谱分布也是可变的,使得不同地物要素相对可分性降低,为地物要素提取带来了困难和挑战。高分辨率遥感影像地物要素提取主要通过面向对象分类方法来实现,这种方法可以有效地纳入空间信息,特别适用于空间信息丰富的高分辨率遥感影像场景。但该类方法也存在一些问题:(1)传统的分割方法往往依赖于局部特征一致性,因此无法得到全局最优的分割结果;(2)针对特定类别的地物要素,传统的方法往往需要针对性设计特征和提取流程,缺乏简单通用的判别特征。针对高分辨率遥感影像地物要素提取中面临的问题,本论文开展了基于图割模型和深度学习的高分辨率遥感影像地物要素提取方法研究,其核心思想是利用图割模型的强大的图像建模能力和对非凸数据集合全局最优解的优点,解决传统分割方法依赖于局部相邻像素相似性而造成过分割的问题;基于深度学习的深层次特征学习能力,建模特定类别地物要素提取的复杂过程,解决地物要素提取中的特征设计人工干预大、流程复杂的问题。本论文的研究内容和创新点如下:(1)高分辨率遥感影像地物要素提取的基本理论与方法。本论文从高分辨率遥感影像的特点出发,阐述地物要素提取中面向对象方法和特定地物要素提取的方法两方面存在的难点,并对当前的研究背景和现状分别进行了总结。(2)在面向对象地物要素提取方面,提出了基于多尺度多特征的规范化图割用于高分辨率遥感影像地物要素提取。针对图模型应用于高分辨率遥感影像分割过程中尺度和特征问题,本论文拟提出一种基于多尺度多特征规范化图割模型的地物要素提取算法,采用基于多尺度超像素的图建模方式,进行多尺度、多特征分析,增强高分辨率遥感影像的模型表达能力。(3)在以建筑物和道路为代表的特定类别地物要素提取方面,设计了基于多通道空间偏移卷积神经网络的高分辨率遥感影像地物要素提取。针对基于像素的预测模型缺乏局部空间上下文信息、模型容易过拟合和相似学习任务结构学习间存在信息冗余等问题,本文拟考虑基于块预测的方式,同时不同类别地物要素进行联合预测,同时加入空间偏移进行数据增强进行建筑物和道路预测。