建筑垃圾是城市更新过程中不可避免的产物,造成严重的环境污染和生态压力,精准量化城市建筑垃圾年产量与资源转化率对衡量城市更新代价至关重要.传统人工估算建筑垃圾产量的方法严重依赖统计数据和历史经验,在实际应用中缺乏灵活性,耗时耗力,准确性和时效性亟需提升;现有深度学习模型针对小目标、多尺度特征提取与融合能力相对较差,难以处理形状不规则、碎片化检测区域.因此,本文提出一种多尺度特征融合与注意力增强网络MS-FF-AENet,动态跟踪检测建筑物和建筑垃圾消纳场变化,从而精准量化城市建筑垃圾年产量.使用深度编码网络,获取细粒度高阶语义信息,提高分类识别的精度.解决感受野不足导致提取大型目标时产生不连续的孔洞问题,利用双注意力增强机制更好地保留空间细节,使特征提取更丰富.在解码器中融合骨干网络的浅层和中层特征,更好地捕捉上下文信息,增强复杂场景下高效、准确的特征提取能力.利用MS-FF-AENet提取研究区不同时期的遥感影像数据,通过分析建筑物面积变化情况,计算新增建筑物产生工程垃圾以及拆除建筑物产生拆除垃圾,得到城市建筑垃圾年产量;使用MS-FF-AENet提取不同时期的建筑垃圾消纳场,根据填埋垃圾变化量得出城市建筑垃圾填埋量,间接估算城市建筑垃圾资源转化率.本文基于北京市昌平区2019-2020年高分遥感影像,实验结果表明:①　在包括UNet、SegNet、PSPNet、DeepLabV3+、DSAT-Net、ConvLSR-Net和SDSC-UNet在内的一系列基线中,MS-FF-AENet在提取建筑物和建筑垃圾的精度和效率等方面更具优势;②　2019-2020年研究区由于城市更新产生的建筑垃圾年产量约为4　101　156.500　t,其中填埋部分约为2　251　855.872　t,资源转化部分约为1　849　300.628　t,建筑垃圾资源转化率为45.09%,进一步印证政府统计报告结果.本文为城市更新代价精准量算提供了一个便捷且有效的分析思路.