随着我国航空航天事业的发展,利用遥感技术准确、快速地获取地理空间信息逐渐成为一种主要的获取方式。本文围绕基于深度学习的高分辨率遥感影像崩滑体语义分割主题,在系统查阅了国内外遥感影像语义分割方法及崩滑体识别的相关文献基础上,针对传统遥感影像分类方法难以取得更好的分类效果,而深度学习在自然图像分类上取得突破性进展的情况,将深度学习中的语义分割任务、高分遥感影像信息提取和崩滑体识别结合起来,进行了研究尝试。本文的主要研究内容和结果如下:(1)考虑到小区域不能体现大型崩滑体的完整特征,本文通过裁剪2560*2560尺寸区域的图像再缩小到256*256尺寸的方法,制作了大尺度范围下的高分辨率遥感影像崩滑体语义分割数据集,保证了大规模崩滑体影像特征的完整性。在本文中,使用该数据集取得了良好的实验效果。(2)为了探索深度学习方法应用于高分影像崩滑体语义分割任务的可行性,本文采用了几种经典的深度学习语义分割模型以及本文提出的基于VGG16、迁移学习、编码解码和跳跃连接等方法的模型,进行了高分辨率遥感影像大规模崩滑体识别的研究尝试。实验表明几种经典的深度学习方法与本文方法都能有效识别高分影像上的大规模崩滑体,说明使用深度学习方法进行高分影像崩滑体语义分割是可行的。(3)为了论证本文方法的有效性,本文按照先整体后局部,先定性再定量的方法,将几种经典的深度学习语义分割方法和本文方法的实验结果进行对比。结果表明本文方法预测的结果明显更完整,破碎斑块较少,具有较高的内部一致性。同时本文提出的方法F1分数(F1 score)达到了82.02%,交并比(Intersection over Union,Io U)达到了70.55%,都优于其他方法,这说明本文提出的方法在考虑精确率和召回率时效果最好,综合效果也最好。为大规模地质灾害评估、应急抢险等工作提供了方法参考,具有一定的研究和应用价值。