地震发生之后,对震害区域进行快速、高精度的识别,是震害信息获取与评估的关键。传统的人工地面调查的方式耗时较长,无法满足现场及时救援的要求。相比之下,遥感技术拥有多方位、全天时等的优势,是抗震救灾初期重要的信息获取途径,震害图像目标解译成为了目前研究的热点。本文分析了目前震害遥感图像目标解译存在的难点,从图像分割与分类两方面入手,提出了一套基于深度学习的面向对象高分辨率震害图像分类方法,构建了震后灾情信息快速、准确提取的一体化流程。主要的研究内容与结论如下:(1)分析高分辨率震害图像中典型地物的特点,确定适用于震害图像分割的频谱/空间特征,利用所提取的特征构建自适应频谱空间描述子,结合动态合并策略实现自适应动态区域合并。其中,自适应频谱空间描述子能够自动地给出地理对象内部相似性的语义描述,并且明确地捕获不同地理对象的特征差异;结合动态合并策略确保全局最相似的区域被合并,进一步提高了分割精度。本文在六幅汶川地震后高分辨率航空影像上,对ADRM与现有的四种对比算法的进行了定性和定量的对比分析。实验结果表明了ADRM算法能够显著减轻结果中过分割和欠分割现象,极大地提高了对震害目标的检测效果,特别是对于大规模、空间散布的震害地物,如滑坡、倒塌建筑区等。(2)提出震害地物的样本选择方法,基于面向对象图像多尺度分割得到的均匀区域,以区域作为基本单元选取图块样本代替点样本,筛选样本图像形成震害知识库。结果表明,基于多尺度分割结果选择训练样本的方法,有效的解决了复杂震害目标的样本难以选择的问题,为高分辨率震害影像的分类中训练样本的选择形成了新的范例。(3)构建卷积神经网络分类(CNN)模型,学习各典型地物如易混淆的滑坡和完整房屋、裸地等的高阶语义特征,研究适用于震害信息提取的卷积神经网络模型。定量和定性的实验表明了CNN在高分辨率震害图像分类中的巨大潜力,也凸显出CNN提出的特征分辨率下降对分类结果的影响。(4)建立一个结合卷积神经网络和面向对象分割的深度学习网络,进行高分辨率震害遥感图像分类,提取震害信息,识别典型震害目标,实现震害的快速制图。本文结合CNN分类和ADRM多尺度分割提出了CMSCNN策略,实现了震害信息提取一体化流程。其中,CNN分类实现目标的准确分类,而ADRM多尺度分割提供目标的精确边界,二者结合得到的CMSCNN算法显著提高了定位和分类的准确性,打破了传统CNN算法在对高分辨率图像分类时边界模糊的难题。定量和定性评估证明了CMSCNN简单、实用,适用于快速震害制图。