滑坡是一种全球性分布的、高发生频率的自然灾害,具有突发性、多发性、群发性的特点。滑坡对人类的生命财产安全以及环境资源造成了巨大的破坏,因此及时地对滑坡进行位置信息的提取对于减灾救灾具有重要意义。随着遥感卫星技术的发展,人们可以获取更高分辨率的遥感图像,但是在高分辨率遥感图像的滑坡识别方面也面临着更多的挑战。针对传统的基于像素的分类方法仅仅使用了单一的光谱信息,使得特征信息过于简单,模型无法挖掘更深层信息的问题以及传统机器学习分类器使得滑坡识别精度较低的问题,本文将基于像素的分类方法与深度学习相结合,充分利用高分辨遥感图像的深度特征对滑坡信息进行提取,提出了一种基于多混合波段特性的深度可分离卷积神经网络的滑坡识别算法。主要研究工作包括:(1)探讨了针对滑坡特性的神经网络改进以及基于像素分类方法的遥感图像分类特征组合。论文结合滑坡高分辨率图像自身的特点,对卷积神经网络进行改进,得到了基于滑坡特性的深度可分离卷积神经网络模型。除此之外,通过引入近红外波段以及NDVI指数特征、纹理信息等特征弥补光谱信息的单一性,增强分类效果;使用具有同源传感器(灾前与灾后影像空间信息相同)但是不同时向的影像,通过将滑坡遥感图像的灾难前后影像信息等多种特征信息进行波段融合,得到了反映遥感图像变化特性的多混合波段。该混合波段有效地克服了传统分层分类方法的繁琐步骤,并增强分类效果。(2)本文提出了基于多混合波段特性的深度可分离卷积神经网络的滑坡识别方法。以基于像素的分类方法为基础,使用多混合波段作为特征值,使用改进的深度可分离卷积神经网络作为分类器进行监督学习,最终完成滑坡的识别工作。本文以三类特征以及四类分类器进行对比实验,并使用精度、F-measure等参数进行性能评估。研究结果表明,相对于其他算法,本文算法识别精度较高,满足实际应用需求,对于利用高分辨率遥感图像进行防灾救灾具有重要意义。