1.一种基于深度学习网络的建筑物综合方法，其特征在于，包括：步骤1，获取城市路网，根据城市路网将大比例尺地图和小比例尺地图上的建筑物要素划分至街区；

步骤2，将所有街区的矢量数据栅格化为栅格矩阵形式，并处理为训练样本的形式；

步骤3，根据所述训练样本的形式构建深度学习语义分割模型，并对所述深度学习语义分割模型进行训练，设定参数；

具体包括：

构建深度学习语义分割模型，所述深度学习语义分割模型用于图像矩阵X和标签矩阵Y间映射的深度卷积神经网络，在所述深度卷积神经网络中使用卷积层，网络结构为下采样和上采样层；

所述下采样通过控制网络卷积层的步长来控制，当步长大于1时为下采样；

所述上采样通过使用反卷积层来控制，由跳跃结构连接各个下采样层的结果，并在每个跳跃连接处，加上对于下采样位置的结果；

神经网络学习和更新参数是以梯度下降的方式进行的，使用交叉熵作为损失函数，进行梯度下降来更新网络参数，确定网络的输出和标签之间的损失；

每个街区对应一对训练图像，训练模型时需要设定参数，所述参数包括批处理大小、损失函数；优化器设置包括模型权重和偏置更新方式、学习率；

步骤4，利用训练完成的模型进行建筑物综合，并用交并比评价得到建筑物综合结果。

2.根据权利要求1所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤

1具体包括：

步骤11，从地图数据库中提取城市中具有一定划分功能级别的道路，将双向通行且双向共不少于4车道的道路作为城市骨架；

步骤12，在由路网划分的街区上进行综合处理，用路网将建筑物地图切割为街区，把街区作为研究单元；

步骤13，计算得到每个建筑物的面积和最小外接矩形的主轴方向。

3.根据权利要求1所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤

2具体包括：

步骤21，使用多边形扫描填充法将矢量建筑物转化为栅格图像，所有街区栅格化时统一像元大小，并在栅格化后，大比例尺和小比例尺地图的像元保持对应关系；

步骤22，将图像都转换为统一大小m×m，对小于m×m的区域填充背景值0，使其扩大为统一大小。

4.根据权利要求3所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤

22具体包括：

转换后的数据形式为：大比例尺的街区地图X和对应的小比例尺的街区地图Y；其中，X和Y分别为：O S

X＝Xm×m＝[xi,j,xi,j],0

其中，当大比例尺地图i,j位置上是建筑物时，x i,j为该建筑物的最小外接矩形方向，Sxi,j为该建筑物的建筑物面积，否则为0；当小比例尺地图i,j位置上是建筑物时yi,j＝1，否则为0；X的最终形式为双通道的大小为m×m的图像矩阵；Y为大小为m×m的标签矩阵。

5.根据权利要求4所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤

4具体包括：

所述交并比度量的是输出结果和真实值之间的相似性，通过下面公式计算：其中，Y_predict为网络的输出的综合结果，Y为真实的综合结果。