重大地震发生后,快速获取灾区宏观范围及主要承灾体的损毁情况,对于应急救援十分关键。其中,生命线工程如道路、桥梁、大坝等典型要素的损毁位置、范围及其损毁程度的快速获取是整个应急救援工作高效有序进行的重要保障,也是灾后重建规划决策支持的主要依据之一。相比实地调查,遥感技术能够更快速、全面地获取灾区生命线工程要素的灾情信息,对于支持抗震救灾、提高救援时效性具有重要意义。然而传统的遥感灾情获取方法仅利用图像中人为设计的一些浅层特征,往往具有很大的不确定性,且复杂耗时;对于背景环境复杂的震后高空间分辨率遥感图像,往往精度不高,速度不快,很难达到理想的效果,为此,需要挖掘影像中灾情目标的深层特征并加以利用。为此,在国家重点研发计划项目《星机地协同的大地震灾后灾情快速调查关键技术研究》（2017YFC1500900）课题二《基于多源遥感信息的震后灾情快速动态分析技术》（课题号:2017YFC1500902）的支助下,本文分别从基于知识规则和深度学习两个方面基于目标在影像中的语义信息等高层特征开展灾后典型生命线工程灾情信息的获取研究,利用震后高分辨率的遥感影像数据提取道路、桥梁目标的灾情信息特征,并分析建立相应的知识规则,提出了基于知识的典型生命线工程要素灾情信息获取模型,并通过典型灾害案例探索了深度学习方法在生命线工程灾情信息应用方面的可行性。本文的主要研究成果和创新包含以下3个方面:（1）研究提出了基于知识的IFCM-SVM震后道路灾情遥感信息提取模型不同地物在遥感图像中都有不同的特征表现,在目标检测识别过程中,对它们在遥感图像中特征的研究与分析是一个十分必要的关键步骤,通过研究分析这种特征差异能够更好地结合模型提取损毁信息。本研究在分析道路灾情提取模型所涉及到的图像分割理论、模糊分类理论、直觉模糊集以及支持向量机方法与原理基础上,提出了先分割再分类的道路灾情提取方法,有效地将多分类问题转化为了二分类问题;并针对灾后遥感影像,提出了基于直觉模糊集改进的FCM算法（Intuitionistic Fuzzy C-Means,IFCM）进行图像分割进而获取包含灾情目标的感兴趣层,并通过实验验证了IFCM相较于FCM算法的优势。对于道路灾情信息的提取,假设在没有道路矢量数据的支持下通过IFCM-SVM模型实现道路灾情的提取,并地震灾区相关实验数据对结果进行了精度评价与验证,结果表明,基于知识的IFCM-SVM模型能够较好的提取道路灾情信息。（2）研究提出了基于空间关系的震后桥梁灾情遥感信息提取模型通过对震后影像中桥梁的特征的分析,综合利用桥梁与周围环境的上下文特征。特别的,根据桥梁与河流在遥感图像中的空间关系提出基于空间关系的桥梁灾情检测模型,并详细阐述了算法的实现过程。通过构建指数增强水体的光谱值从而扩大水域与非水域的背景差,利用迭代阈值法提取河流,并使用IFCM算法获取包含桥梁目标的图层,结合二者提取候选桥梁并对其进行灾情分析。根据实验结果,基于空间关系的桥梁灾情提取模型能够有效地提取桥梁灾情信息。（3）构建了震后道路灾情目标样本集,并提出了基于深度学习的震后道路灾情信息提取技术方法与流程,用于应急救援工作辅助决策工作。根据震后高分辨率遥感影像构建道路灾情目标检测样本集,切片大小为416×416,通过增强,共采集了2817张样本图像,每张样本图像均标注了轻微损毁和严重损毁两种类型的道路灾情,共标注了1955个道路灾情目标。震后遥感影像中道路与桥梁的灾情信息对于目视观测而言,通常为小尺度信息,快速实时的YOLOv3模型相对于其他深度学习模型而言,对于小目标具有更高的检测精度,而YOLOV3-S-GIo U模型更是在震后建筑物损毁信息的检测中表现优异。鉴于此,本文尝试用本课题组针对震后倒塌建筑提出的YOLOV3-SGIo U检测模型,对震后道路灾情进行目标检测。该模型的核心是用Shuffle Netv2轻量级网络来替代原有的Darknet53,有效减少网络参数;其次,将损失函数中的预测框中心点XY损失和宽高WH损失统一替换为GIo U损失。在本研究中,将已构建的道路灾情目标样本分别输入到该模型中进行训练,并以“8.8”九寨沟地震震后0.5m的无人机影像进行了实验。该模型对于道路灾情严重损毁的提取精度达82.2%。本文研究了基于震后遥感高分辨率影像的道路、桥梁震后灾情信息的提取方法。其中,针对道路灾情提出了IFCM-SVM模型和深度学习模型两种检测方法,并将两种方法的检测结果进行了对比分析。两种方法在九寨沟景区研究区均取得了不错的应用效果。