卫星图像中城市高层建筑街区形态的自动分析对城市规划和研究的自动化起着重要作用。高层建筑街区形态一般包括居民区建筑群落和商业区建筑群落。本课题的主要研究包括两个方面,一是高层建筑街区,即高层建筑群落的自动检测与分类,二是高层建筑高度参数的预测。由于目前做该研究的较少,因此,本课题的所有数据均由本人标注,并通过专家审核。之前对光学卫星图像中高层建筑的检测还依赖于人工。本课题假设高层建筑群落可以作为一个目标进行检测,提出一种基于神经网络的高层建筑群落检测方法。该方法分为三步:首先对高层建筑群落和建筑阴影分别进行检测,然后通过两者的检测结果使用目标筛选的方法,得到最终的高层建筑群落检测结果。该方法只需光学卫星图像,而不用结合其它数据,减少了额外成本消耗。实验结果表明,本课题提出的方法在检测光学卫星图像中的高层建筑群落的结果Precision为0.96,Recall为0.79,F1 Score为0.87。该方法也证实了高层建筑群落可以作为光学卫星图像中的一个目标进行检测,并且能区别于其它低矮建筑。上述方法对于不同城市、不同时间获取的卫星图像检测效果有限。针对该问题,本课题提出基于神经网络的多特征融合的高层建筑群落自动检测方法。该方法首先通过两个不同的神经网络分别提取高层建筑群落的特征,然后使用另两个神经网络对提取的特征进行融合并得到初步检测结果,最后通过一个简单筛选方法得出最终的检测结果。该方法的特点在于对特征的提取与结合都是自动的,不同于前一个方法需要人工干预,这有利于实现分析的自动化。通过评估该方法在15张不同城市的高分辨光学卫星图像中检测高层建筑群落的效果,平均Precision为0.79,Recall为0.77,F1 Score为0.78。该方法也证实了不同城市的卫星图像中,高层建筑群落具有相似特征。之前的研究对高度参数的获取依赖固定公式的手工计算。本课题假设高层建筑的高度可以通过自动提取光学卫星图像中的特征预测得到。因此,本课题提出结合目标检测任务与回归预测的多任务神经网络方法预测光学卫星图像中高层建筑的高度参数。该方法对单个高层建筑提取特征,检测图像中单个建筑区域,同时通过全连接层预测高度参数。通过评估,该方法能准确检测到建筑区域,并较为准确的预测高度值。本课题的两个研究方向为高层建筑街区形态分析的自动化提供了一定程度的理论借鉴和实际的实验数据支撑。增加数据量和改进神经网络结构可以提高自动检测准确度。