随着中国城市化率逐渐提高,建筑物占地面积增长迅速。利用高分辨率遥感影像精准提取影像中的建筑物可以为城市规划、灾害预防、智慧城市建设等应用提供辅助信息。高分辨率遥感影像中丰富的几何、纹理、光谱等信息为高精度提取建筑物提供基础,但是高分辨率遥感影像同物异谱和同谱异物现象限制了精度的提升。传统方法使用人为设计的特征进行建筑物提取,为了设计符合输入数据的表示层,需要付出大量时间和精力,虽然取得一定的成果,但是在面对复杂情况时效果欠佳。深度学习不必人为设计特征,可以自动学习所有特征,使用端到端且简单的模型替换复杂的数据处理流程,使深度学习成为众多建筑物提取方法的重要理论基础。本文对基于深度学习的全卷积神经网络进行研究和分析,该方法和传统方法相比,在精度上取得很大的提升,但是也存在诸多问题。为了解决其中的部分问题,本文展开以下研究。（1）当前应用于高分辨率遥感影像建筑物提取的全卷积模型普遍采用批标准化和Re LU激活函数处理卷积结果,Re LU激活函数容易使神经元死亡,同时使用批标准化会显著增加模型的训练时间和推理时间。针对该问题,本文提出使用SELU激活函数替换Re LU激活函数同时取消批标准化的方案。为验证该方案的可行性,在WHU建筑物数据集上进行对比实验,设计测试网络分别使用上述两种组合进行建筑物提取,对二者的提取结果进行定性和定量分析。分析结果表明,使用SELU替换Re LU,取消批标准化的方案可以显著改善建筑物提取结果。（2）建筑物提取的精度与全卷积神经网络的参数量和复杂度呈正相关。但是训练参数量大、复杂度高的模型对计算机硬件尤其是显卡内存的要求特别高,许多计算机难以训练此类模型因而限制了精度的提升。针对该问题,本文提出一种轻量级全卷积网络集成的建筑物提取方法,该方法将训练一个参数量大、复杂度高的模型转换为训练多个结构不同的轻量级全卷积神经网络,将多个轻量级模型的提取结果进行集成以进行建筑物提取。为了得到强而不同的轻量级全卷积神经网络模型,本文使用SELU激活函数构建基础卷积模块conv＿block,然后提出三种使用conv＿block的轻量级全卷积神经网络,分别是基于跨层注意力和金字塔池化的SC＿UNet、基于分层拆分模块和sc SE注意力机制的HS＿PSPNet、基于多尺度输入并联和金字塔池化的HR＿PSPNet。最后使用多种方法对3个模型的提取结果进行集成。实验结果表明,对3个网络的输出赋予相同权重,进行简单相加后的集成结果最优。相较于3个网络中最强网络的提取结果,集成使得提取效果明显改善。（3）全卷积神经网络对遥感影像中的建筑物提取过程是先将影像切成众多小图块依次判断,由于小图块边界区域的信息不完整,导致该区域的误判现象严重。针对该问题,本文使用已有的Overlapsize方法予以改善。在WHU数据集上的实验结果表明,该方法可以明显改善边界区域的误判现象,证明该方法适用于高分辨率遥感影像。（4）将本文方法与其它方法在WHU数据集上的提取结果进行定量分析,参与比较的其它模型包括S＿UNet、SRI＿Net、AU＿Net、SA＿Net、USPP、SR＿FCN。实验结果表明,本文方法能较好的完成建筑物提取工作,在测试集上达到0.954的查准率、0.944的召回率、0.949的F1-score、0.903的IOU,以上指标均位于参与比较模型相应指标的第一位,验证了该方法的有效性。