建筑物作为一种重要的人工地物(地理要素),其空间分布信息反映着人类社会与经济发展的演进布局,科学准确地测量建筑物屋顶空间分布与动态变化为建立建筑物调查更新机制,实现常态化建筑物监测工作的推进奠定坚实基础,具有重要的理论性研究意义与实践性应用价值。高空间分辨率遥感影像数据的复杂性使得传统的建筑物屋顶识别方法存在自动化效率与识别精度低的局限性,深度神经网络运用计算机视觉解决思路取得了较好的实际应用效果,但仍存在诸多问题有待解决,其中尤以如下两个问题最为核心:(1)建筑物屋顶时空谱系化特征对建筑物屋顶深度学习样本库的构建提出挑战;(2)建筑物屋顶几何和光谱异质性与多尺度特征对深度学习识别模型的精度与泛化能力提出挑战。本文以高分遥感建筑物屋顶识别与变化监测等行业需求为导向,针对高分遥感影像建筑物屋顶多尺度共生与光谱异质性高等主要原因造成的识别错漏检问题,在建筑物屋顶影像目标样本库谱系化特征表达和多尺度粒度特征信息计算的基础上,依托图谱理论和深度学习等技术完成高分遥感影像建筑物屋顶谱系化的多尺度识别,构建建筑物屋顶多尺度识别方法与其矢量轮廓多边形提取技术体系。本文的研究内容与研究成果如下:(1)面向建筑物屋顶谱系化特征的影像预处理与特征样本库构建本研究通过对高分遥感原始数据进行图像融合、图像分幅裁剪以及基于线性拉伸和空间域滤波的图像增强预处理手段,对高分遥感影像进行数据提纯、增强、压缩和归一化等处理,获取满足深度神经网络模型的影像数据集。而后针对不同建筑物屋顶在高分遥感影像上所呈现的几何与光谱视觉特征差异和注意力强弱,构建与建筑物屋顶影像目标适配的谱系化深度学习特征样本库,为多尺度建筑物屋顶深度识别网络模型的训练与预测奠定了数据基础。(2)基于多尺度深度神经网络模型的建筑物屋顶多尺度识别本研究以遥感信息图谱、深度学习等理论技术为支撑,以多尺度粒度特征提取算法为高分遥感建筑物屋顶尺度特征计算工具,设计研发了多尺度粒度实例分割网络模型MS-CNN。基于建筑物屋顶时空谱系化样本库进行MS-CNN的模型训练,对建筑物屋顶目标影像基元进行实例分割,完成遥感影像建筑物屋顶多尺度共生识别,并通过识别实验证明了该模型对多尺度建筑物屋顶目标识别的可行性。(3)北京城市副中心建筑物屋顶识别应用实证本研究利用迭代训练构建的多尺度建筑物屋顶识别模型MS-CNN,以高分辨率遥感影像本底数据为参照基准,在北京城市副中心地区开展建筑物屋顶谱系化多尺度识别实证与示范,并利用矢量多边形轮廓提取技术完成北京城市副中心建筑物屋顶专题数据的生产,重点构建面向建筑物屋顶的多尺度识别方法与多边形轮廓提取技术体系,着力探索遥感建筑物屋顶识别工程化之路。