遥感影像地物信息庞大,语义信息丰富,近些年,我国基础建设发展迅速,城市化进程逐渐加快,通过遥感影像规划城市,绘制地图有着重要的意义;同时我国也面临人口快速老龄化和新生人口逐年减少的现状,如何通过建筑物提取估算人口密度也有着重要的价值。之前传统的建筑物提取方法取得了一些成果,但是传统方法大多基于形状、颜色、纹理等人工设计的特征进行提取,很多时候只能适用于某种具体的建筑物类型,因此无法在大范围的数据集上取得良好效果,不能满足实际应用需要,更无法满足快速化、智能化、自动化提取的要求。得益于近几年计算机硬件的快速提升,计算机算力大幅度提高,计算机视觉快速发展,遥感这门学科也得到了快速发展。尽管建筑物提取在过去的几年里进行了大量的研究,但由于建筑物的纹理和影像背景的复杂性,从高分辨率遥感图像中高精度分割建筑物仍然是一项具有挑战性的任务。由于建筑物提取是一个二分类任务,因此U型结构的网络对这种任务更友好,所以本文对现有的网络LinkNet模型进行改进,提出了一种高分辨率遥感影像多分辨率特征融合的建筑物提取网络模型HRLinkNet完成建筑物提取任务,通过ResNet18作为骨干网络提取不同层次的建筑物特征,然后利用空洞卷积金字塔捕获空间上下文信息,并将不同层次的特征多次融合,并与最深层上采样逐级上采样的特征结合,在每个阶段都进行预测,多次监督,实现对不同分辨率特征的充分利用。针对不同域遥感影像模型泛化能力不足的问题,利用域迁移对遥感影像进行风格转换,探索遥感影像转换的可能性,提高了模型的泛化能力。通过Cycle GAN与VAEGAN两种模型分别进行图像转换,分别利用域X到域Y和域Y到域X对偶学习,和变分自编码器将不同域的特征映射到共享空间。实现两个数据集的影像转换,提高了HRLinkNet模型的泛化能力。实验结果表明:（1）与其他常见的建筑物提取方法相比,保持高分辨率的同时融合多分辨率特征的HRLinkNet效果更好,能够抑制噪声,精细边缘;（2）不同域的遥感影像数据集通过生成对抗网络转换的建筑物提取效果有不错的提升。