建筑物是遥感图像中重要的人造物目标，在光学遥感图像分析中起着非常重要的作用。对高分辨率遥感图像中的建筑物进行语义分割是遥感图像处理领域的一项重要研究工作。随着计算机、图像处理和深度学习等技术的不断进步，利用这些技术快速准确地对遥感图像中的建筑物进行分割的研究，在学术和工程方面有着重要的意义与价值。
　　得益于高速计算硬件的发展，深度学习方法在近些年得到了快速的发展以及广泛的研究和应用。卷积神经网络（Convolutional Neural Network，CNN）作为最典型的神经网络在计算机视觉领域得到了深入的研究，使得图像语义分割（Semantic Segmentation）在深度学习框架下有了实际应用的可能。作为深度学习领域语义分割的重要方法，全卷积神经网络（Fully Convolutional Network，FCN）及其后续改进方法是遥感图像建筑物分割的基础方法。同时，条件随机场（Conditional Random Field，CRF）和图像滤波器等后处理方法也为提高遥感图像建筑物分割结果做出重要贡献。然而，由于遥感图像的特点和对分割结果的掩模完整性的要求，现有的分割方法和后处理方法存在一定缺陷。
　　针对遥感图像的特点，本文提出一种深度学习遥感图像建筑物分割框架，该框架由能够同时预测建筑物掩模和边缘的双支路分割网络以及域转移条件随机场构成。域转移条件随机场通过双支路网络预测的边缘优化掩模，提高遥感图像建筑物分割网络的性能。实验结果表明本文所提出的方法能有效地对遥感图像中的建筑物进行语义分割。
　　本文主要开展了以下研究：
　　①本文首先对遥感图像建筑物分割方法的国内外研究现状进行调研。分析常见的遥感图像分割方法，以及深度学习领域的相关技术在遥感图像分割中的应用。总结出深度学习方法在遥感图像分割领域中的研究难点。
　　②对现有的深度学习图像语义分割技术进行深入的分析与研究。对诸如损失函数、激活函数、上下采样等深度学习中的基本运算进行介绍。之后对图像语义分割领域采用的常用后处理方法进行研究，明确本文的主要研究方向。
　　③本文的核心研究工作是将域转移滤波器（Domain Transform Filter）应用于条件随机场中，以构建域转移条件随机场。同时，本文重构了建筑物分割网络，使其重构的建筑物分割网络拥有两条解码器（Decoder）支路，这样就能对遥感图像中建筑物的掩模和边缘同时进行预测。域转移条件随机场使用分割网络输出的边缘预测图来优化分割网络的掩模。且域转移条件随机场遵从一般神经网络的端到端的（end-to-end）规则。因此，域转移条件随机场能够与本文所使用的双支路分割网络进行联合训练，以提高网络表现。
　　④为了验证对本文提出方法的有效性，在武汉大学遥感建筑物影像数据集（WHU Building Dataset）上进行了验证实验。本文使用平均准确率（overall accuracy）和交并比（IoU）作为实验评价的客观指标。验证实验结果表明，双支路分割网络能够同时完成对遥感图像中的建筑物进行语义分割以及边缘提取的任务，域转移条件随机场能够有效利用建筑物边缘信息提高遥感图像建筑物分割效果。验证实验证明，本文所提出的方法与当前代表性的方法相比，取得了更好的遥感图像建筑物分割效果。