建筑物图像检测和聚类是计算机视觉的重要任务,其在地震保险产品的设计中至关重要。基于深度学习的建筑物图像检测与聚类方法相比于传统的方法具有明显的优势,如检测和聚类的精度高、无需指定人工特征等。本文对基于卷积神经网络的建筑物图像检测方法以及建筑物图像聚类方法进行了研究,主要工作体现在以下两个方面:(1)基于Faster-RCNN的建筑物图像检测。选择了多类典型的建筑物图像作为训练样本来训练卷积神经网络,对比了不同样本数量、样本分辨率和样本类型下的检测效果,确定了Faster-RCNN的最优参数。本文对多类建筑物检测准确率可以达到85%,基本满足实际应用需求。(2)基于卷积神经网络的建筑物图像聚类。本文采集了不同类别的建筑物图像作为训练样本,探究卷积神经网络在建筑物图像聚类中的应用性能,对实验结果存在的过拟合现象进行了改进,并分析了弃真率及其成因。本文对多类建筑物聚类的精度可以达到接近98%,完全满足实际需要。