地震滑坡往往会造成道路损毁、河流堵塞、房屋掩埋、桥梁坍塌,导致应急救援与现场调查无法顺利进行,这会严重影响生命救援和地震灾情评估,因此快速准确地获取地震滑坡的位置、分布范围、规模大小与掩埋建筑物、道路、植被等相关信息对指导地震应急救援、灾情评估和灾后重建等工作具有重要意义。随着卫星遥感和空间信息技术的飞速发展,遥感影像数据具备覆盖范围广、获取时间短、成本低和数据量大等特点,可为全震区的地震滑坡识别提供数据基础。地震发生之后,对全震区的同震滑坡快速识别与制图同样是理解同震滑坡的发育程度、分布规律、滑坡危险性评价等的重要基础。近年来随着计算机科学的快速发展,计算机通过系统定量化模拟专家经验在地震滑坡识别方面体现出巨大的优势,基于先进的技术与算法具备高效率的应急能力,随着人工智能尤其是深度学习的兴起,机器学习方法已经用于地震滑坡识别中。相关研究人员在小范围和单一环境的实验研究工作中取得了不错的效果。然而,面对大范围复杂环境的全震区,提取同震滑坡正确率低,没有理想的方法。本文以2018年9.6日本北海道胆振中东部地区Mw6.6地震的Planet卫星震前和震后3米分辨率的遥感影像为数据源,研究以遥感影像为主导的全震区复杂环境地震滑坡自动识别技术。基于震前震后Planet真彩色图像,结合谷歌地球三维可视化通过目视解译方法对2018年9.6日本北海道Mw6.6地震诱发的滑坡进行解译,在大约600平方公里的研究区内共解译了9315个同震滑坡,滑坡总面积达30.99平方公里。通过图像差值法、最大似然法、基于样本的面向对象分类法和深度学习方法对自然真彩色图像（RGB）、标准假彩色图像（FCS）、波段比值运算图像（BR）和归一化植被指数运算图像（NDVI）进行十组地震滑坡自动提取实验,并将提取结果进行混淆矩阵精度评价和对比分析。认为在保证真实地震滑坡的提取率和准确率较高的前提下,为满足地震应急救援的时效性要求,可选择基于自然真彩色影像和标准假彩色图像的深度学习方法,在后续的研究中可继续深入来完善地震滑坡自动提取模型,并可以尝试用于不同环境和降雨等诱发因素引起的大范围滑坡提取。而基于自然真彩色图像和标准假彩色图像的面向对象分类方法,虽然时间成本高,但是相较于人工目视解译时间成本和人力成本都低,地震滑坡提取结果精度也较好,可作为后续验证工作的基础。基于传统监督分类的最大似然法提取时间虽较快,但是对于震后应急救灾的实际意义不大。而基于波段比值运算图像和归一化植被指数运算图像的图像差值法,由于对影像要求极高,在地震应急中不容易满足条件,故不推荐使用,在没有其他较好的方法并需要快速评估灾情的情况下,可以使用这两种方法,但是地震滑坡提取结果的参考意义有限。