近年来,随着城镇化的快速发展,近郊区农村人口、资金等要素逐渐由农村转移到城市,导致农村出现大量闲置、废弃建筑物,农村聚落由“空心化”现象逐渐演化成较大范围的空心村。空心村的出现造成了土地资源的严重浪费,制约了农村居住环境的改善,阻碍了农村经济的持续发展。对空心村进行整治研究是中国城乡转型期推进新农村建设和全面建设小康社会的关键问题之一,并且利用无人机遥感技术快速获取空心村建筑物信息对于空心村科学整治工作具有重要的促进作用。本文针对现有空心村建筑物外业采集易受天气影响、容易漏测,内业目视解译效率低、工作量大等问题,引入深度学习方法和无人机遥感等技术对空心村建筑物信息获取的关键技术进行了深入研究。首先对无人机高分辨率遥感影像(Unmanned Aerial Vehicle High-resolution Remote Sensing Imagery,简称无人机高分影像)的预处理进行了研究,为空心村建筑物的检测与信息获取提供了基础影像数据;其次对多种建筑物解译模型进行了分析,选取了卷积神经网络与迁移学习方法构建了空心村建筑物解译模型。然后基于卷积神经网络构建的解译模型结合显著性分析方法实现了小范围空心村建筑物检测,基于迁移学习方法构建的解译模型结合多尺度分割技术实现了较大范围空心村建筑物检测。最后利用本文提出的建筑物检测方法,结合无人机遥感和移动GIS等技术,初步集成了一套空心村建筑物信息调查系统。本论文的主要研究工作及创新性成果有以下几个方面:1、针对无人机自带的姿态参数(POS)数据精度不高、原始影像外方位元素不够准确且难以估算等问题,提出了一种基于线性变换的非迭代算法求解无人机外方位角元素的方法。该方法无需进行最小二乘迭代就可以求解出较高精度的外方位角元素,实现了对POS数据的修正。并且,针对传统遥感影像配准中参考控制点存在误差的问题,提出了一种基于加权整体最小二乘(WTLS)的无人机影像配准方法,通过引入WTLS来对多项式回归系数进行估计,提高了图像配准精度。2、针对传统目视解译效率低工作量大等问题,本文基于无人机高分影像构建了空心村建筑物样本库,引入卷积神经网络和迁移学习方法分别构建了空心村建筑物解译模型。实验表明本文构建的解译模型分类准确度可以达到90%以上,能够实现空心村建筑物的准确、高效解译。3、提出了一种基于卷积神经网络的空心村建筑物检测方法。首先,利用多尺度显著性检测获取包含建筑物信息的显著性区域,得到主要目标并减弱其他无关目标的干扰,降低了数据冗余。然后,通过滑动窗口获取显著性区域内目标样本块,并将这些样本块输入训练好的解译模型进行分类,实现了小范围空心村建筑物检测,实验表明整体准确率可以达到81%。4、针对复杂场景下样本不足的问题,引入迁移学习机制提出了一种适用于较大范围空心村建筑物的检测方法。首先,采用面向对象分割技术对无人机高分影像进行分割,得到若干有意义的影像区域,然后结合迁移学习构建的解译模型和滑动窗口对分割区域进行分类,并对结果进行标记,实现了大范围建筑物的检测。最后,将移动GIS技术、无人机遥感技术与本文提出的建筑物检测方法相结合,初步集成了一套空心村建筑物信息调查系统,实现了空心村建筑物信息的快速采集与管理。