城市的发展与人类活动息息相关。作为人类活动载体的建筑物更是组成城市的主要要素之一。建筑物的空间分布、发展变化、以及特色风貌等都深入影响社会经济、城乡布局、城市功能、民生福祉等诸多方面。因此,科学、准确、及时地掌握建筑物的空间分布格局和动态变化能够有效地为城市规划发展、土地利用管理、城市资源配置、防灾减灾、违规建设查处等方面发挥重大作用。传统的建筑物提取和变化检测方法往往依赖专家经验和复杂的手工设计特征,这些方法耗时且成本极高。近年来,深度学习为高分辨率遥感影像建筑物提取和变化检测研究提供了新的研究思路。深度学习能够利用深层次的网络结构获得图像的抽象表示,有利于学习建筑物的语义信息。但是,当前基于深度学习的建筑物提取和变化检测方法仍然存在以下问题:（1）由于树木、阴影的遮挡导致提取和变化检测的建筑物结果往往存在边界模糊或拐角过度平滑的现象。当前,建筑物提取和变化检测方法主要关注区域精度,却忽略了建筑物边界的准确识别,然而边界对详细描述建筑物的几何形状和空间位置是至关重要的。（2）建筑物提取和变化检测结果往往存在提取或检测结果不完整的情况。一方面,由于存在建筑物屋顶材质不一和相似地物的干扰;另一方面,双时相影像之间存在配对不准确和伪变化。这些类内不一致和类间不连续的情况都会导致建筑物提取和变化检测结果不够完整。因此,本课题旨在解决当前基于深度学习的建筑物提取和变化检测中存在的边界模糊和完整性不足的问题,展开相应的研究,为进一步的城市规划和空间分析提供源数据支持;为高分辨率的遥感影像地物提取和变化检测提供参考。主要工作如下:（1）在建筑物提取方面,针对建筑物提取结果存在的边界模糊和完整性不足的问题,提出了一种基于上下文感知和边界优化的建筑物提取方法。该方法设计了一个多尺度上下文感知模块,通过不同尺度的图推理块来学习多尺度建筑物的全局信息。同时,该方法利用方向特征优化模块进一步优化建筑物的边界,实现建筑物的准确提取。本研究在开源数据集Massachusetts建筑物数据集上取得了85.13%的1得分和74.71%Io U得分,在WHU航空建筑物数据集中取得了94.80%的1得分和90.15%的Io U得分。（2）在建筑物变化检测方面,考虑到利用双时相的建筑物提取结果叠加分析获得变化区域的方法,受限于双时相影像匹配的精度,会出现配对的影像中建筑物空间像素不一致的情况。因此,本研究提出了构建孪生网络进行建筑物变化检测。针对建筑物变化检测中存在的边界模糊和漏检的问题,提出了一种基于边缘引导和差分增强的建筑物变化检测方法。该方法通过构建边缘引导的Transformer模块进行特征提取,该模块能够有效地利用Transformer和边缘感知模块捕获特征的全局信息和多尺度细节信息。此外,还设计了一个特征差分增强模块,利用注意力机制增强对变化区域的关注。本研究在开源数据集WHU变化检测数据集中分别取得了93.02%的1得分和86.96%的Io U得分,在LEVIR变化检测数据集中取得了90.05%的1得分和81.91%的Io U得分。