随着遥感科学与技术的发展,国内外越来越多的高分辨率遥感卫星发射升空,高分辨率对地观察系统逐渐趋于完善。一直以来,高分辨率遥感图像提取研究都是研究热点,从最初的人工目视解译到使用机器学习方法进行提取,再到如今掀起的深度学习（Deep Learning,DL）热潮再次引发了图像识别领域的革新。2012年以来,由于GPU的普及和Hiton等人提出的深度学习网络AlexNet在ImageNet图像识别比赛中取得了惊人的成绩,深度学习一举成为图像识别、提取中效果最好的方法。各种深度学习网络如雨后春笋般出现,现在正是人工智能技术革命的关键点。再这样的大环境下,本文以高分辨率遥感影像作为数据源,使用前沿深度学习算法作为主要提取方法,以城市中最为重要的建筑物作为提取目标,探索深度学习在遥感测绘中的作用。具体研究如下:（1）提出了 E-Unet模型。构造该架构的过程首先通过对主流深度学习网络进行总结对比研究,选择U-net作为基础架构进行改进,在此基础上引入跳跃连接以减少边缘和转角的细节损失;模型采用新设计的卷积模块,使其扩大感受野的同时减少参数量;模型底层增加DropOut模块避免网络发生过拟合现象;引入了空洞卷积池化金字塔;解决了输入波段数量限制问题。提了一种使用深度学习方法提取建筑物的通用模块:预模块。预模块在输入网络前对图像进行处理,处理结果将与原图合并后作为多波段影像一起输入深度学习网络。消融实验表明,相对不使用预模块的网络结构相比,使用预模块能提升提取结果精度。该模块最终决定由主成分变换、波段间比值和Canny边缘算子组成。（2）为验证E-Unet效果,以空间分辨率稍低的美国的Massachusetts州建筑物数据集和空间分辨率较高、标签质量更好的新西兰基督城的WHU航空数据集作为实验数据,探究了 E-Unet在不同分辨率和不同标签质量的遥感影像建筑物提取任务中的效果。通过与U-net、Res-Net和SU-Net进行精度对比实验可知,E-Unet具有较高的精度。为验证预模块对U-net和E-Unet精度的提升效果,进行了预模块剥离实验,证明预模块可以提升对不同的深度学习网络的提取结果。（3）为进一步改进预模块,验证E-Unet的效果。本文在加拿大Waterloo数据集上进行了预处理模块的后续实验改进,并对预处理模块的主成分变换、波段间比值和Canny边缘算子进行了更详细的剥离实验。并通过与FCN-8s、U-Net、DeepLab v3+、Fast SCNN、HRNetv2、Mask R-CNN（ESRI）这些先进的网络进行性能对比证明了 E-Unet的有效性。通过上述实验,在美国Massachusetts、WHU与Waterloo建筑物数据集三组高分辨率建筑物数据集的提取结果,经过定量分析可知E-Unet能够在不同分辨率情况的影像中表现优异,具有较好的鲁棒性。在FCN-8s、U-Net、DeepLab v3+、Fast SCNN、HRNet v2、Mask R-CNN（ESRI）这些网络的对比中,总体精度、IoU、召回率和F1分数的得分均为最高,其中在Waterloo数据集的F1分数相对第二名（HRNet v2）领先了 7%,在三个数据集中的得分分别为0.8661、0.9477、0.9350。