泥石流灾害是一种由强降水主导,多发于地形险峻区域的自然灾害,具有暴发突然、冲击范围广、破坏性强等特点。灾害一旦发生,会给周围的居民造成严重的生命和财产损失。如何准确的识别泥石流沟谷,减少泥石流灾害的威胁,成为当前亟待解决的问题。遥感技术具有效率高、费用低、时空精度高、可动态监测等优点,成为继传统野外调查方式之后,更加快速识别泥石流孕灾区域的有效方法。深度学习的兴起和应用,在遥感影像的识别和分类上取得了显著效果,从而进一步推动了遥感影像的发展和普及,但目前仍然存在深度学习所需影像数据不足的问题。针对这个问题,本文对VGG16卷积神经网络进行改进,结合迁移学习的方法,选取怒江傈僳族自治州的泥石流沟谷遥感数据进行训练和验证,提出一种基于深度迁移学习的遥感影像中泥石流沟谷分类模型。本文具体研究工作和内容如下所示:1.简单介绍了当前泥石流灾害、遥感影像以及深度迁移学习领域的研究背景、意义以及国内外研究现状,概要介绍实验研究所需要的相关知识理论。并采用Arc GIS工具对研究区域的泥石流灾害分布进行简单分析。2.获取DEM和遥感影像中沟谷影像数据集。在MATLAB编程环境下,应用区域生长算法对DEM图像进行粗略河流识别处理,在识别后的DEM图像上对沟谷构造外接矩形,并通过经纬度对应将遥感影像四个波段的沟谷影像进行分割,构建后续实验所需数据集。3.基于VGG16卷积神经网络,探索影响模型准确率的因素。首先对不同通道下的遥感影像下的泥石流沟谷进行分类实验,确定分类准确率最高的为遥感影像的近红外通道。然后采用不同的Dropout对模型的分类结果进行分析,得出模型最适合的Dropout值。4.构建基于深度迁移学习的遥感影像中泥石流沟谷分类模型。首先对泥石流沟谷遥感数据集进行数据增强,在VGG16模型基础上,去除第二层全连接层,优化第三层全连接层,并且引入Dropout避免过拟合发生。然后结合迁移学习策略,冻结前三层卷积网络的卷积层,对剩余卷积层、顶层网络和Softmax层进行微调,优化网络参数。最后采用混淆矩阵、单类和平均分类精确度对模型进行评价。实验结果表明,改进后的模型能够更快收敛,对泥石流沟谷进行较准确的分类,分类结果的kappa系数为0.8762,具有较高的一致性,平均分类精确度可以达到94.74%,比未改进的VGG16模型提升3.07%。5.开发B/S端的泥石流沟谷分类系统。基于深度迁移学习的泥石流沟谷分类模型,遵循软件工程开发规范和流程,对系统进行研发,实现了泥石流沟谷图像上传、识别等功能。