尾矿库是矿山企业进行选矿的必要设施,同时对于周围环境来说也是一个重大的危险源。对尾矿库的风险信息进行全面且详细的识别和提取是预防尾矿库事故和进行尾矿库应急工作的前提,因此关于尾矿库识别监测及环境风险方面的研究探索具有重要意义。由于尾矿库普遍存在分布偏远、规模大、结构复杂等特点,导致传统地面调查难度大、效率低、精度不高。随着遥感空间对地观测技术和地理信息技术的快速发展,利用遥感技术和地理信息技术方法取代传统方法进行地表环境观测和目标识别已逐渐成为一种趋势,并受到研究人员的广泛关注。本文依据机器学习的前沿技术—深度学习的基本原理,使用目标识别及语义分割的算法,对高分辨率遥感影像下的尾矿库进行识别及分割,运用水文分析的方法对研究区进行风险预测。结合研究区京津冀的地表环境,以高分一号和Google Earth高分辨率遥感影像、基础地理数据为基础数据源,开展尾矿库精确识别,确定尾矿库分布位置等信息,提取尾矿库内部结构,在此基础上选择典型区域并结合Arc Hydro模型模拟溃坝风险及径流分布,对尾矿库密集区域的风险进行分析。该流程分为四个步骤,一考虑到遥感领域高分辨率的尾矿库样本集很少,通过分析尾矿库在遥感影像上的纹理、色调、形状以及大小等特征,制作了用于目标检测的尾矿库样本集。二提出了一种基于SSD算法的多尺度融合目标检测算法MSF＿SSD,它是在原始SSD目标检测网络基础上添加了反卷积模块和连接模块实现的。三在目标检测结果基础上制作尾矿库语义分割样本,使用PSPnet算法实现尾矿库结构分割,得到了尾矿库内部结构—坝体以及库区。四在得到的坝体以及库区矢量文件的基础上,通过水文分析,运用遥感与地理信息技术对尾矿库的上游汇水面以及事故可能径流进行提取。本文研究成果和结论如下:（1）制作生成基于GF-1遥感影像和Google Earth 16级影像的尾矿库样本集,为尾矿库深度学习框架的训练、测试和验证提供基础。（2）改进了MSF＿SSD目标检测算法,并成功应用于京津冀尾矿库提取,在保证准确率和召回率的前提下实现尾矿库目标的高自动检测工作。（3）将PSPnet算法应用于尾矿库分类,把检测到的尾矿库分为坝体、库区以及背景三类。分类精度MIo U达到98.4%,为尾矿库进行安全性评价的前提。（4）综合利用空间分析技术中的水文分析,结合研究区的DEM数据以及分割出的坝体及库区矢量数据,确定尾矿库上游汇水面以及尾矿库溃坝事故的可能路径进行提取;将溃坝路径进行缓冲区分析与随机森林得到的土地利用图进行叠加分析,获得研究区的受灾面积等结果。整体研究成果可用于分析尾矿库溃坝造成的地物损失以及影响范围面积等信息,满足大范围的尾矿库监测及风险评价,提升尾矿库的风险管理水平及应急响应能力,为有关部门制定决策提供理论依据。