建筑物在人民生活及经济建设中扮演着重要的角色,对建筑物轮廓的提取,能够给国土空间规划、地理国情监测等提供重要的数据支撑。近年来航空和卫星遥感科技发展迅猛,利用多源遥感数据进行建筑物提取能够大幅减少人力物力成本。机载LiDAR点云可以提供高精度的地表高程信息,有助于区分地面和非地面目标,从而提高建筑物提取精度,但其无法提供丰富的建筑物轮廓、纹理等信息。因此,融合高分辨率遥感影像和机载LiDAR点云数据,有利于实现高精度的建筑物提取。在深度学习的方法与技术未被广泛应用之前,以往的提取方法较多依赖于人工设计的低、中层次图像特征来识别建筑物,缺少对高层次建筑物语义特征的提取及应用,其特征的设计与提取来自于专家对建筑的考察、解析及总结,难以应对复杂场景下的建筑物识别。为了解决传统分类方法的弊端,对U-Net进行优化,提出DRUnet。构建了结合DRUnet和形态学滤波处理的建筑物高精度语义分割模型,用于解决在复杂场景下建筑物提取的问题。本文主要研究成果如下:(1)针对原始U-Net网络输入输出图像大小不一致,以及裁剪和复制(Crop and Copy)通道结构复杂的问题。DRUnet卷积层采用Padding填充简化裁剪和复制(Crop and Copy)通道让其只需复制不需裁剪,简化了网络结构并保证了输入与输出图像尺寸的一致。(2)DRUnet加深了原有的U-Net网络来获取更好的特征学习能力。为了避免因为神经网络层数的增加而出现的梯度消失情况,参考了残差网络中残差学习单元能大程度降低深层次网络训练时梯度消失的情况。在网络中添加了残差学习单元来保证梯度的前向传播,很大程度上降低了网络的训练难度。(3)使用Data Plus Energy Analytics Group提供的数据进行实验,对本文的建筑物提取模型性能进行测试同时增加了对比实验。实验表明,本文方法能够精准高效地提取出建筑物区域,精度为93.23%,Kappa系数为80.46%,交并比(IoU)为78.68%,明显高于传统图像分割模型,具有较大的应用前景。