Die Gebäudeextraktion zielt darauf ab, Gebäudpixel aus Fernerkundungsbildern zu segmentieren und spielt eine wichtige Rolle in vielen Anwendungen, wie zum Beispiel Stadtplanung und Überwachung der städtischen Dynamik. In den letzten Jahren haben tiefen Lernmethoden mit Encoder-Decoder-Architekturen aufgrund ihrer leistungsstarken Merkmalsrepräsentationsfähigkeit bemerkenswerte Ergebnisse erzielt. Dennoch leiden herkömmliche Tiefenlernmodelle aufgrund der unterschiedlichen Größen und Stile von Gebäuden oft unter unsicheren Vorhersagen und können die vollständigen Grundrisse der Gebäude nicht präzise von der komplexen Verteilung von Bodenobjekten unterscheiden, was zu einem hohen Grad an Auslassungen und Fehlklassifikationen führt. In dieser Arbeit erkennen wir die Bedeutung unsicherer Vorhersagen und schlagen ein neuartiges und einfaches Unsicherheitsbewusstes Netzwerk (Uncertainty-Aware Network, UANet) vor, um dieses Problem zu lindern. Um die Leistung unseres vorgeschlagenen UANets zu überprüfen, führen wir umfangreiche Experimente auf drei öffentlichen Gebäudedatensätzen durch, einschließlich dem WHU-Gebäudedatensatz, dem Massachusetts-Gebäudedatensatz und dem Inria-Luftbild-Datensatz. Die Ergebnisse zeigen, dass das vorgeschlagene UANet anderen Standesder-Kunst-Algorithmen deutlich überlegen ist.