作为基本地理数据库中与人类活动关系极为密切的一种数据范畴,建筑物的地理、形状、颜色等信息在政府部分、民生部门、商业领域里都有着极大的需求。这些需求侧重各不相同,而且信息有时无法相互流通,因此提取建筑物信息是遥感应用和地理信息系统的常见任务。加上各类房屋随着城市建设有所增减和变化,变化频繁,因此这类信息需要及时更新。然而,使用人工实地勘测的方式对基本GIS数据库的建筑物类型数据进行更新不仅耗费大量人力物力,而且周期较长,难以满足即时性需求,此外,由于专业素养和主观认知的差异,这种方式所获取的建筑物数据质量不一,不利于统一处理。另一方面,伴随着多源高分遥感技术的成熟化,采用高分遥感技术从大尺度的高分遥感影像中迅速提取多种建筑物的方法展示出了其他方法所不具备的高效优势。其中,人口普查、灾害防治、军事侦察、市政规划等领域需要从遥感影像中迅速、可靠地获取建筑物等人工目标,并在此基础上进行建筑物变化观测分析以便开展具体应用。因此,基于遥感图像的建筑物自动提取,业已发展成为基本地理信息系统数据库数据获取和更新的主流手段。当前针对建筑物检测和提取方面的研究虽然己取得了一些进展,但是这些算法依然存在着人工干预过多,算法普适性差,难以建立多约束建筑物模型,计算复杂度高等各种各样的等问题,难以满足实际应用的需要。因此,面对海量的影像数据,如何快速并自动地实现建筑物轮廓的精准提取,具有十分重要的意义。近年来,深度学习发展迅速。在图像处理领域,卷积神经网络在图像识别中取得了以往分类算法难以实现的惊人效果。与人工定义图像特征所造成的数学表达和实现困难相比,该方法可以从少量预处理甚至原始数据中学习到抽象、本质和高级的特征,并且对于平移,旋转,缩放,或其他形式的变形具有一定的不变性,已被广泛应用在车牌检测、人脸侦测,文字识别、目标跟踪、机器学习、计算机视觉等领域的研究。在本文中,针对大范围建筑物图像的提取,我们基于卷积神经网络方法,结合先验知识,提出了一个集成策略,包括建筑物粗提取、建筑物形状检测、形状匹配等一系列步骤,最终获取建筑物的精确轮廓,为建筑物的自动化提取开辟了新的思路。本文主要研究内容如下:(1)建筑物的粗提取。通过图像分割的方式在影像上初步获取一些感兴趣区(ROI)。利用监督学习的方法构建了一个回归模型,计算ROI(Region Of Interest)属于建筑物的概率。并据此选择合适的阈值得到建筑物粗分割结果。在此过程中提出使用多个旋转外接矩形提取ROI图像用于判断ROI内容并有效提高了识别结果的准确率。(2)建筑物的轮廓精细化。建立了先验形状库,构建了一个分类网络用于判断粗提取的建筑物ROI中的建筑物形状。然后采用基于先验形状约束的主动轮廓模型的区域匹配方法和基于轮廓点集合的边缘匹配方法对识别出的四种形状的建筑物进行基于模型的轮廓参数反演得到建筑物的精细轮廓。得出结论如下:(1)使用卷积神经网络的方法对遥感影像中的建筑物区域进行检测和对建筑物区域的形状识别具有较高的准确率。在对建筑物图像进行识别时,使用多个旋转角度的外接矩形来提取一个ROI图像内容并取其中最大值的方法可以有效克服建筑物走向与训练样本中建筑物走向偏差较大的问题。(2)使用本文提出的基于先验形状约束的主动轮廓模型的区域匹配方法和基于轮廓点集合的边缘匹配方法对先验形状和图像中的建筑物轮廓进行模型参数匹配可以精准地提取建筑物轮廓,即使在有一定遮挡的情况下也能提取建筑物的真实轮廓。