建筑物提取是很多遥感任务中亟需解决的问题。在中低分辨率影像中,很多建筑物以居民地的形式连片存在;在高分辨率影像中,建筑物之间间隔清晰,屋顶的颜色、纹理、结构等特征也更加显著,这些为独栋建筑物的提取提供了便利。本文针对卷积神经网络建筑物提取中存在尺度、模型适用性、提取结果形状不规则等问题,从以下三个方面进行了研究。由于建筑物尺度的多样性,单一尺度卷积神经网络模型对建筑物提取存在不完整的现象。对此本文在VGG16网络的基础上进行改进,将原始影像进行不同尺度的下采样,并获得建筑物提取的多尺度特征。同时为了减少网络参数数量,用全卷积上采样过程代替原始VGG16网络中的全连接层进行建筑物提取。由于遥感影像的多样性,获取影像的时间、光照、传感器等多方面都可能存在差异,这造成不同数据之间模型的适用性问题。针对这个问题,本文通过FastPhotoStyle风格迁移算法,减少不同数据之间的差异。另一方面,结合半监督学习和主动学习,获得新的样本标注,在减少人工标注的同时,提高模型迁移建筑物提取的精度。用卷积神经网络提取出的建筑物边界不足以反映真实建筑物特有的几何形状,因此需要对建筑物提取结果进行边界规则化。最小顶点数算法可以针对直角、对角和任意角建筑物进行规则化,但该算法无法自动判断建筑物的类型,需人为指定规则化算法类型。对此本文提出一种判断建筑物类型的方法,通过自动识别建筑物的类型,选择对应的规则化方法。