针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络(Res_　AttentionUnet),并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度.具体优化方法为:在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块.其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率.本研究采用武汉大学季顺平团队提供的开放数据集(WHU　Building　Dataset)作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理(包括滑动裁剪和图像增强等),最后分别使用Unet、ResUnet、AttcntionUnet和Res_AttentionUnet4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析.实验结果表明,与其他3种网络相比,本文所提出的Res_　AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81％,相较于原始Unet网络提升17.94％,同时相较于仅加入残差模块的Unet网络(ResUnet)提升2.19％,能够显著地提升高分辨率遥感影像中建筑物提取的效果.