频发的滑坡为人民财产安全造成了巨大损失。如何快速地进行滑坡识别检测对受灾评估和灾后重建具有十分重要的意义。随着多源遥感影像数据的日益丰富,使用计算机自动化处理高分辨率遥感影像能够实现更加快速的滑坡识别检测,极大弥补了人工实地踏勘的不足,同时使用深度学习方法进行滑坡的自动化识别也解决了人工选取特征的局限性。目前自动化滑坡识别方法往往基于高分辨率光学影像数据或高分辨率地形数据。由于不同类型的数据具有不同的特点,使用单一数据无法充分地对滑坡进行检测。因此部分学者尝试将高分辨率光学影像数据与高分辨率地形栅格数据相融合来进行滑坡的识别与检测,以充分发挥不同数据的优势。虽然这种方式能够有效地提取滑坡特征,但是对地形栅格数据的分辨率和质量要求却相对较高,使用的地形数据往往是高分辨率DEM数据或其衍生数据。由于获取这种高分辨率地形数据的成本较高,因此使用高分辨率光学影像数据和高分辨率地形栅格数据相融合来进行滑坡识别与检测的相关研究较少。低分辨率地形栅格数据具有免费开源的特性,是一种能够很好地应用于滑坡等特殊地物识别的数据源。利用深度学习方法,通过融合高分辨率光学影像数据与低分辨率地形栅格数据来进行滑坡识别能够有效结合两种数据所表达的光学特征信息与地形几何信息,非常适合于滑坡的自动化识别与检测。但目前针对这两种类型数据相融合的研究较少,主要是以下两个原因所导致:1)地形栅格数据与光学影像数据之间异质性较大,通过简单的方式很难进行有效的融合,且低分辨率地形栅格数据与高分辨率光学影像之间的分辨率差异较大,更加增大了融合的难度;2)开源平台所提供的地形数据与光学影像数据很难保证卫星拍摄的时间点对应一致。针对以上所面临的问题,本文提出了基于卷积神经网络的深度学习模型,该模型通过融合高分辨率光学影像数据和低分辨率地形栅格数据来进行滑坡的识别。具体而言,本文的研究内容和成果可以总结为:（1）通过对多种开源平台和数据进行综合分析,合理选取拍摄时间点一致的地形栅格数据与高分辨率光学影像数据。其次讨论坡度、坡向、曲率、相对高程等地形因子的特点及对滑坡识别的影响程度,确定了以这四种因子为基础,对其标准化后再以通道叠加的方式作为模型的输入数据,使得模型能够兼顾各种地形数据的特点,并自动权衡不同地形因子的影响力大小。（2）设计了融合高分辨率光学影像数据与低分辨率地形栅格数据的卷积神经网络模型。在该模型中,特征提取部分包含两个分支,分别用于提取地形几何特征和光学影像特征。其次通过设计不同数据源类别的softmax融合模块来对两种数据进行加权融合,使得模型在训练过程中能够自动决策不同类型数据的贡献值大小。同时为了解决实验区内小型滑坡较多,且形状各异的问题。本文在模型中引入了空间感知池化（SAP）模块,该模块能够将浅层特征层中的重点信息引入深层特征层中,使得模型在训练的过程中能够充分顾及不同尺度的特征信息。通过实验结果分析可知,相较于仅使用光学影像作为输入数据的经典语义分割网络模型而言,本文所提出的方法在滑坡检测的各项指标上均有明显提升,其滑坡识别的准确率、召回率、F1分数和kappa值分别为85.19%,83.13%,84.15%和83.62%。通过与其他经典语义分割网络进行对比,两项指标均得到了较大提升,相较于经典模型中表现优异的DeepLab-V3+模型而言,其准确率提升3.2%,召回率提升1.3%、F1得分提升2.2%,和kappa值提升2.3%。因此,本文所提出的方法能够较好地适应于滑坡识别与检测中,具有一定的应用价值。