遥感影像可以迅速准确的提供大范围地理信息,影像中包含的地物种类丰富多样、信息量巨大,各类信息价值较高,广泛的应用于国民经济建设、城市现代化建设、环境保护与环境监测、灾害预测与防灾减灾、农业生产等领域。随着低空轻小型无人机遥感系统的出现,实现了测绘需求快速获取小范围区域的高分辨率遥感影像,技术适用面更广,很好的补充和完善了现今航空遥感监测体系。遥感影像的获取技术发展迅速,但是传统的遥感影像信息处理和检测的算法研究进展比较缓慢。为应对日趋复杂的遥感影像中的地物场景情况,在传统遥感影像地物检测方法基础上推陈出新,实现地物信息检测的快速化、智能化、自动化和遥感影像中地物信息的有效利用一直是当今遥感技术中主要研究方向之一。而近几年来迅速发展的卷积神经网络算法在目标检测领域应用成果显著。本文通过对当前主流卷积神经网络知识的研究,将卷积神经网络算法应用于无人机影像中建筑物的检测,论文主要工作总结如下:(1)介绍了卷积神经网络发展过程和基础网络结构及基本工作原理,并对目前卷积神经网络中具有代表性的R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、Mask R-CNN几种算法的核心原理和基本的检测过程进行了阐述。针对本文选取的Mask R-CNN算法的核心优势点进行了重点阐述。最后通过对不同算法网络结构和实验结果的对比分析,对算法的网络构建原理有了更加深入的理解。(2)本文在经典Mask R-CNN算法网络模型的研究基础上结合了建筑物在无人机影像中的特征属性和检测的特殊性问题,对建立的建筑物检测模型做出了相应的调整。首先将模型训练样本的制作与无人机航测内业的实际生产过程相结合基本实现了与Mask-RCNN算法端到端的训练过程,解决了海量深度学习训练数据集获取和制作的难题;其次选取了适合的建筑物特征检测器又对特征检测网络层数进行了精简,通过实验结果发现当模型的特征提取网络层数精简为6层时,模型的检测性能最佳,减少了特征提取过程产生的冗余信息,达到节省空间成本提升算法效率的作用;最后利用模型检测结果提取出了建筑物的大致轮廓。(3)通过测试样本数据对本文建立的建筑物检测模型测试,实验结果表明:本文改进的Mask R-CNN检测模型能够有效的检测出无人机影像中的各类建筑物,基于模型检测结果的建筑物轮廓提取优化算法能够提取出建筑物的大致轮廓。建立的检测模型有较好的检测速度和精度,算法具有一定的稳定性、泛化性,所得到的建筑物检测模型检测效果能够达到预期要求。