通过对居民地的识别与观察可以了解地区的土地变化以及对促进经济发展进行参考。在大力发展农村建设的今天,农村居民地信息的识别与提取尤为重要,通过快速、准确地获得农村居民地信息,对识别出的农村居民地进行研究,可以为科学规划农村发展和建设提供科学依据。居民地作为遥感影像中最重要的目标之一,大量研究人员对遥感影像中居民地的提取进行研究,但其中大多是对城市建成区以及建筑物的提取,而本文研究主要集中在农村居民地,对大范围农村居民地的提取进行实验探究。选取太行山东麓部分作为研究区,高分一号（GF-1）、资源三号（ZY-3）以及World View-2（WV-2）作为实验数据源进行研究。近些年深度学习网络的快速发展为在大范围遥感影像上快速提取居民地带来了机会。本文将残余谱模型（Spectral Residual,SR）方法嵌入到深度神经网络中来进行农村居民地的提取,主要包括两个过程:粗略定位与精确提取。首先通过深度学习方法中的Faster R-CNN（Regions with Convolutional Neural Network）模型检测生成大范围遥感影像上居民地候选区检测框,之后使用SR模型基于候选区检测框进行居民地的精确提取,得到大范围遥感影像上的农村居民地。通过实验测试了三种大范围影像的居民地提取,设计实验分析讨论了SR模型中不同居民地尺寸与卷积核的关系,通过将本文方法与建筑物存在指数（anisotropic rotation-invariant textural measure,Pan Tex）,Gabor算法以及形态学建筑指数（morphological building index,MBI）方法的提取结果进行对比,讨论了不同传感器以及不同获取时间的影像对提取结果的影响,使用准确率,召回率和F-measure（F值）对提取结果进行精度评价,得到如下结论:（1）通过训练增强Faster R-CNN模型对候选农村居民地进行粗略定位,得到候选区域检测框,使用SR模型基于候选区域检测框得到农村居民地的精确边界,对三种大范围遥感影像检测结果进行精度评价发现准确度都能达到85%左右,召回率达到90%以上,F值保持在90%左右,提取精度较高,且与Pan Tex,Gabor算法以及MBI三种不同的居民地提取方法进行对比。从定性以及定量两方面进行评价,发现该方法能将居民地边界精确提取出来,且F值都能够达到91%以上,比其他三种方法都高,因此本文方法具有可行性。（2）SR模型中考虑两个卷积核尺寸问题,第一个核为局部平均滤波器,其作用是进行均值滤波得到平均幅度谱,第二个核为高斯平滑滤波器,对最后的提取结果进行平滑显示。本文讨论了SR模型中居民地尺寸与卷积核大小的关系,发现第二个核的尺寸随着居民地尺寸的增大而增大,而第一个核的尺寸随着居民地尺寸的增大没有明显变化。通过对提出的方法进行评价,表明该方法能够有效且准确的对遥感影像中不同尺寸的居民地进行快速提取。（3）论文分析比较了影像的获取时间对居民地提取结果的影响,结果表明8月份的影像上植被茂盛与居民地对比差异大,因此对居民地的提取效果相比4月份更好。对比不同传感器影像对居民地提取结果的影响,实验发现SR方法在居民地提取过程中对实验中GF-1与ZY-3传感器的选择无明显倾向性,也可验证本文方法的实现无传感器种类要求。