建筑物是城市中重点地物类别,海量高分辨率遥感影像为获取建筑物信息提供了重要数据支撑。从遥感影像中提取和分析建筑物,能够掌握建筑物的空间分布和形状信息,在优化城市规划、推进数字化城市、灾害评估以及军事目标侦查等方面具有重要的研究意义和实用价值。然而由于建筑物周围无关地物的干扰,现有方法提取出的建筑物图斑往往出现像素漏提和错提现象,导致提取出的建筑物存在边缘锯齿化和形状不规则等缺陷。针对此问题,本文以高分辨率遥感影像为研究对象,以建筑物提取与轮廓优化为研究主线,以V-系统和深度学习为核心方法,提出了一种遥感影像建筑物提取方法和两种建筑物轮廓优化方法。主要内容如下:1)提出了一种面向遥感影像的深度学习建筑物提取方法。通过引入多尺度和空间注意力机制挖掘遥感影像的多尺度空间上下文信息,实现建筑物的有效分割。具体来说,本文设计了一种基于多尺度空间注意力的建筑物分割模型（MSA-Res M）,该模型主要包括三部分:首先通过残差编码器（Res-Encoder）对遥感影像进行语义特征编码,并利用残差连接防止出现网络退化、梯度弥散等问题;其次本文提出了多尺度空间注意力单元（Multi-scale Spatial Attention Module,MSAM）,将空间注意力与多尺度机制有机融合,捕获在不同层次下的空间上下文位置关系,挖掘更丰富的语义表达,以更好地处理不同尺寸建筑物;最后,将Res-Encoder提取的语义特征与MSAM提取的多尺度空间特征输入到残差解码器（Res-Decoder）中进行特征解码,从而获得像素级别的建筑物提取结果。实验结果证明,本文提出的模型能够有效提取遥感影像中的建筑物,且相较于现有分割算法表现更优。此外,消融实验分析进一步验证了本文提出的多尺度空间注意力单元的有效性。2)提出了一种基于角点识别与定位的建筑物轮廓优化方法。通过提取角点挖掘出建筑物突出的几何结构特征,进而可以利用少量数据高效表征出建筑物形状。本文引入了正交完备函数系V-系统和聚类,通过聚类分析V-系统对建筑物轮廓的拟合结果来完成角点的识别与定位。具体而言,该优化方法主要包含三部分:第一部分是基于MSA-Res M分割模型从遥感影像中提取出建筑物区域,并利用轮廓跟踪算法获取建筑物的轮廓点集;第二部分是利用正交完备函数系V-系统对建筑物轮廓进行拟合;第三部分是利用聚类算法对V-系统拟合线段集的倾斜变化程度和相对空间位置关系进行分析,以实现角点的识别与定位;最后用直线段将角点首尾相连,对建筑物边界进行规整化。实验结果表明,该方法不仅能够保留建筑物的重要结构特征,而且成功还原了建筑物的直线边缘特征,对建筑物轮廓的优化效果显著。3)提出了一种基于V-系统拟合的建筑物轮廓优化方法。建筑物边界通常为平滑的直线,且曲线拟合能够直观表现数据的整体分布,对于建筑物整体轮廓的表达有着天然优势。鉴于此,本文通过使用与直线边缘适配的线性V-系统对建筑物进行拟合,能够从根源上获得具有平滑边缘的建筑物边界。该优化方法主要包括三个步骤:首先利用聚类和V-系统提取出建筑物轮廓角点;然后对整个离散点集进行参数优化,将角点参数映射到V-系统节点处,并将非角点的参数变换到角点的参数空间,以保证V-系统可以精确重构出建筑物的拐角特征;最后,根据角点和非角点在实际建筑物形状表示中的不同特征,为V-系统基函数节点构造相应的连续性约束条件,再利用Lagrange乘数法求解满足约束条件的最优解,以获得与建筑物边界连续性相一致的结果。实验结果证明,该方法通过V-系统拟合并建立约束的方式对建筑物进行优化,不但能够充分表达建筑物整体形状,而且能够保持建筑物拐角处的细节信息,从而可以更好地反映真实建筑物特征,具有较好的地物表现力。