遥感图像中的建筑物检测对城市土地规划、战场环境感知以及违章建筑监测等方面具有重要意义。由于遥感图像具有丰富的建筑物细节信息及地貌背景信息,使用传统算法的建筑物检测方法提取结果普遍存在建筑物边缘缺失、检测精度较低的问题。因此针对遥感图像建筑物检测方法的研究具有十分重要的意义。随着大数据时代的到来,深度学习算法得到了高速发展,基于卷积神经网络的建筑物检测方法也层出不穷。本文在总结并分析国内外建筑物检测方法的基础上,将卷积神经网络用于建筑物检测中,并取得了较好的效果,主要工作如下:（1）针对不同区域建筑物外形多变的特性,提出了基于稠密卷积模型的建筑物检测方法。传统建筑物检测算法难以从多元化建筑物中提取显著性较强的特征,本文通过加入内部稠密卷积模块的方式加深网络层数,增强模型特征提取能力。并且从增强模型信息流动度的角度入手,提出密集短连接模块,有效筛选建筑物的细节和语义信息。该方法不仅提高了网络提取关键特征的能力,丰富了网络中流动的信息量,而且提高了检测准确率和模型泛化性。（2）针对大小型建筑物占地面积和布局规律不同的情况,提出了基于双分割融合模型的建筑物检测方法。该方法借助层次分类思想,将建筑物样本划分为大小型建筑物分别检测。为了适应现代城市中多种多样的建筑物,大型建筑物分割模型在UNet的基础上,加入特征提取能力更强的Res Net和感受野更大的ASPP结构,并通过特征融合的方式,整合建筑物的背景信息和形状信息。为缓解遥感图像数据集中大小型建筑物样本不均衡的问题,小型建筑物分割模型加入混合损失函数策略,加强网络对小型建筑物的关注。融合大小型建筑物分割模型的预测结果后,该方法充分整合了双分割模型提取的有效区域信息,进一步提高了网络检测效果。（3）针对大小型建筑物尺度差异大的现象,提出了基于像素与区域分割模型融合的建筑物检测方法。为加强网络对小型建筑物的关注度,本方法引入适用于小目标检测的Mask R-CNN作为区域分割模型。针对大小型建筑物样本数目失衡的问题,在大型建筑物分割模型中增加了随机权重加权策略。在此基础上,本文使用决策融合的方式,截取基于像素与区域分割模型的有效检测区间来提高建筑物检测结果的召回率并增强模型的鲁棒性。