连续的陆地表面由多种地貌组成,每种地貌都是具有不同的物理和视觉特征的自然空间实体。地貌是在各种类型和强度的演变过程影响下形成的,这些演变随着时间的推移一直在陆地表面上起作用,形成了不同的地貌形态。经过几十年的定性定量研究,中国学者建立了自己的地貌分类体系。近年来,随着地貌定量分析研究的深入发展,以数字高程模型数据为基础,数字地貌学理论为指导,运用地理信息系统技术、遥感技术、数字地形分析技术以及计算机技术等多个学科技术,对地貌形态进行定量化识别与分类研究已成为地学领域研究的一个重要发展方向。云计算、人工智能、大数据等前沿技术的快速发展,给地学领域带来了巨大机遇和挑战。特别是以深度学习为代表的人工智能技术,极大地促进了地貌形态识别与分类研究智能化、自动化的发展。本文将认知理论、人工智能技术引入地学领域,对地球表面起伏形态、复杂地貌形态以及具有相似形态特征的易混淆地貌形态进行识别与分类理论和模型方法的研究。重点对地貌形态识别与分类中的地貌形态特征研究提出了融合地貌物理特征和视觉特征进行地貌形态识别与分类的新思路,并利用深度学习方法,建立了多模态地貌形态识别网络模型、设计了基于金字塔模型的地貌分类网络模型,主要研究成果包括:（1）构建多模态地貌形态分类指标在充分分析已有的三类地貌分类体系优缺点的基础上,面向地貌形态识别与分类研究确定了恰当的地貌分类体系。系统分析已有的地形因子在地貌形态识别与分类过程中的作用,根据地形因子的本质特征,提出一套面向地貌形态识别和分类研究的多模态地形因子分类方案。面向地貌形态识别、分类应用,本文对大量地形因子进行相关性分析,提出一套基于多模态的地貌形态划分的指标,为地貌形态识别与分类模型的建立提供基础支撑。（2）构建基于多模态地形因子的地貌形态识别模型本文在研究深度卷积神经网络在地貌特征提取与融合中的适用性的基础上,提出一种新的基于深度学习的地貌形态识别框架。利用统一的深度学习框架高效的将地貌特征提取网络与多模态地貌特征融合网络统一起来,形成一个端到端的地貌形态识别网络。通过大量的实验对多模态地貌特征提取和融合策略的合理性进行检验。（3）构建基于金字塔模型的地貌形态分类网络模型本文针对如何提取适应地貌形态分类的地貌特征,如何有效利用空间上下文的特征,设计了金字塔特征提取和融合网络,有效提取了多模态地貌特征,并利用金字塔特征模型融合了不同尺度的地貌特征,扩大深度卷积网络的空间视野。实验结果表明本文提出的方法显著提高了地貌分类精度,验证深度学习在地貌分类研究中的可行性,实现地貌研究和深度学习技术的深度融合。（4）设计了基于多模态的地貌形态识别与分类自动划分原型系统在理论和相关技术研究的基础上,设计实现了地貌形态自动识别与分类验证系统。描述了原型系统的设计思路、实验环境、功能模块和实验结果,并将全部研究成果集成到原型系统中,验证论文提出模型算法的正确性和实用性。