随着全球经济飞速发展,化石能源终将消耗殆尽,世界各国均在大力推动储量丰富、无污染的太阳能资源发展,太阳能屋顶光伏开发以其就近利用、不受区域限制和节约土地成本等特点越来越被证明拥有巨大的优势和应用前景。我国疆域辽阔,太阳能资源丰富,但在太阳能屋顶光伏开发研究方面十分落后,至今仍缺乏快速、精准的建筑屋顶太阳能光伏潜力评估方法。基于上述问题,本文提出了一种基于高分辨率遥感影像与全卷积神经网络的太阳能屋顶光伏潜力评估方法。拟结合谷歌地球（Google Earth）高分辨率遥感影像,利用深度学习算法,实现从遥感影像上自动提取建筑物屋顶准确轮廓;并根据太阳辐射模型对区域屋顶太阳能潜力进行自动化评估。通过改进相关方法或技术,最终研发形成一套可用的高分辨率遥感影像区域屋顶太阳能光伏潜力评估方法,实现屋顶太阳能潜力准确、快速评估,为建筑光伏一体化发展提供辅助性决策。本文研究内容主要包括以下几个方面:（1）基于全卷积神经网络的高分辨率遥感影像建筑物提取。利用Google Earth高分辨率遥感影像,建立满足条件的建筑数据集,为增强模型的学习与泛化能力,采用多种数据增强手段进行数据集扩充。卫星影像数据量大、分辨率相对较低,为实现建筑屋顶自动、精确提取,本文分别构建了全卷积语义分割模型U-Net和Seg Net实现端到端识别屋顶,并根据实际效果进行网络层改造。为实现最优的模型性能,分别尝试不同模型、不同网络结构的方法在本地数据集上进行建筑物识别精度对比、分析,研究各个网络层功能和特点,调整最佳网络结构与超参数,提升现有网络的分割精度。（2）模型融合及结果优化。基于已经构建出的U-Net和Seg Net建筑物提取模型,采用集成学习思想,对两类模型（同一类模型采用不同参数与网络层进行训练和预测）的多张输出预测图进行加权投票融合,进一步提高建筑物提取模型的鲁棒性;再采用形态学操作对建筑物轮廓进行优化处理,消除毛刺、孔洞等噪声信息,提取出比较规整的建筑屋顶轮廓用于后期太阳能潜力计算。（3）建筑屋顶太阳能光伏潜力评估。根据提取的建筑物屋顶结果计算屋顶面积、朝向和屋顶类型数据,并通过格网划分模拟屋顶形态变化;设计屋顶太阳辐射模型,计算屋顶单位面积太阳辐射量和不同形态屋顶单元网格辐射比例系数,并基于比例系数进行平面面积折算;然后针对平顶、非平顶设置不同的光伏电池阵列铺装方式,计算屋顶可安装太阳能电池板的面积;最后综合屋顶光伏面积和光伏系统参数等估算建筑屋顶太阳能光伏潜力。