本文提出了一种改进的Segment Anything Model（SAM），旨在解决现有模型在遥感图像分析中的泛化性能下降问题。通过集成预训练卷积神经网络，增强了SAM在遥感图像上的识别能力。实验证明，该方法在多个遥感数据集上显著提高了性能，尤其在云检测、建筑物和道路识别等任务中表现优异，展示了其在数据稀缺环境中的潜力。

本文提出了一种多模态深度学习算法，利用遥感图像和多语义信息检测城市感兴趣区域的围栏多边形。实验结果表明，该算法在城市规划和环境监测等领域表现优于现有方法，并展示了建筑物识别和分割的创新应用，为未来研究奠定基础。

本研究利用先进的表示学习模型和数据集融合技术，实现了遥感图像中建筑物的识别与分割，显著提升了性能。通过多任务学习和对比学习方法，增强了建筑物特征的可辨识度，适用于城市规划和灾害管理等领域，为建筑物分割的未来探索奠定了基础。