遥感技术是对目标进行远距离非接触式感知的技术，遥感图像中含有大量丰富的知识数据，如何从这些数据中提取出有用的图像信息特征，是近年来该学科的研究热点。高分辨率遥感影像常被用来城市地区的测绘工作，随着空间分辨率的不断提升，影像中的阴影成为一个不能忽略的类别因素，在航空测量学中，研究人员已经长期使用阴影信息来对建筑物进行高度检测估计。传统阴影检测法容易将水体、草地等与阴影区域具有相似的灰度特性区域误判为阴影区域，因此在实际运用中一般都具有很大的局限性。人工神经网络，支持向量机等早期的机器学习方法已经被用来进行数据的分类，但是传统的机器学习存在参数难以选取且在处理大数据量时缺乏时效性。本文采用基于极限学习机的遥感影像阴影检测方法，将纹理特征的能量、熵、对比度和逆差距四个指数作为输入特征向量训练学习机模型，实现阴影区域的检测，该方法能够克服阈值法的地物错检、漏检问题以及反复选取阈值的缺点，并解决了神经网络及支持向量机多参数选取困难的问题，有效地提高了阴影区域检测速度和精度，具有较好的鲁棒性和泛化性能，综合性能优于阈值法、神经网络和支持向量机。建筑物高度的获取是建筑物三维重建的非常重要的因素，本文通过分析建筑物阴影与太阳、卫星的几何相对关系，建立了建筑物高度检测模型，利用数学形态学方法对检测出的阴影进行边缘检测，然后通过角点检测法计算出阴影的长度，最终计算出选定区域的建筑物的高度，并与实际的高度进行了比对，验证了该算法的有效性。