DEM中的鞍部、山顶是自然地貌中重要的控制要素点,它们的准确提取与自动标注对地学分析、地图制图、地理信息应用具有重要理论价值和现实意义。针对鞍部和山顶的空间形态、延展结构及要素间的点群约束关系,以卷积神经网络及其延伸网络为基础,研究它们的“格网级特征”到“要素级特征”的深度学习机理,设计可挖掘地形要素点全局特征的深度网络模型,改善人工选择特征可能存在的要素点漏提和误提问题。重点开展了以下两个方面的工作:(1)从鞍部点的地学定义出发,将深度学习与数字地形分析技术相结合,利用改进的卷积神经网络自动提取DEM数据中鞍部的浅层和深层语义特征,并进行特征融合,经过Softmax分类层得到候选鞍部点的概率分布,再通过MLP多层感知器网络对候选鞍部点的坐标进行修正,标识出最终的鞍部点位置。在此思路下构建了鞍部点深度学习网络,借助ImageNet数据集对Lenet-5网络模型进行预训练,利用自建数据集进行网络训练、鞍部点识别测试,验证了改进CNN网络模型的有效性。(2)以山顶区域在DEM数据中的空间结构、形态特征为基础,借助Faster R-CNN的共享卷积层挖掘DEM中隐含的山顶属性特征,利用RPN候选区域生成网络提取山顶候选区域,通过“端-端”的模式识别方式获取山顶区域的大致位置,再结合分类和位置回归网络定位山顶点的准确坐标,构建了Faster R-CNN联合RPN的山顶区域识别方法。利用ImageNet数据集初始化网络模型,在自建数据集上完成了网络训练、山顶区域识别测试,检验了所构建深度网络模型的有效性。