北京是地质安全问题较多的城市之一,对交通网络影响较大的地质灾害种类有泥石流、山体滑坡、岩石崩塌等突发性灾害。北京打造的“一环六放射”交通网络,几乎都穿过地质灾害易发区,灾害发生后需要及时提供应急响应和抢险救援。随着测绘科学技术的发展、环境保护和减灾赈灾等需求,无人机的优点愈来愈显现出来,它们在军事领域和国民经济中得到了越来越广泛的应用。无人机具有全天候、高分辨率、远距离、实时性、保密性、小型化、通用化等优点,使得它们在地质灾害中的应用日渐成熟。无人机和遥感的组合技术已经在地质灾害监测中的得到广泛的应用。遥感图像的分类识别最早是通过人工目视解译方法判别地物类别,这种方法需要较高的专业知识且耗时较长,随着计算机视觉技术的发展,图像特征逐渐被应用到遥感图像分类识别中,但是这种方法需要大量的训练样本和专家知识,实际中不能很好的满足。随着遥感手段的发展,遥感数据越来越多,如果依靠传统方法对海量的遥感数据进行解译分析,已经不能满足人们的需求,而且精度难以保证。近年来,深度学习方法在计算机视觉领域的快速发展,为遥感图像场景分类、目标识别、图像分割等领域提供了一种新的技术手段。本文主要研究无人机遥感图像处理以及卷积神经网络在无人机遥感图像分类识别中的应用,其中分类识别对象为不同类型的车辆。在无人机遥感图像处理中,首先进行特征点提取和匹配,然后通过整体优化迭代拼接获得测区图像在无人机遥感图像的目标分类中,首先通过手工标注构建数据库,利用Faster R-CNN和改进的YOLOv3两种卷积神经网络训练了典型车辆的无人机遥感观测样本,生成不同类型车辆的识别模型,开展车辆检测识别,能够较好地识别出家用轿车、公交车、货车和工程车等不同类型车辆。通过实验表明,Faster R-CNN在无人机遥感图像上平均检测精度达到90.59%,可以满足检测需求。在YOLOv3的基础上对网络进行改进,通过对YOLOv3增加多尺度检测达到适用于无人机遥感图像上的目的。经过实验对比分析,relu函数可以有效降低训练时间,增加dropout优化和正则化约束可以有效提高训练精度。改进的YOLOv3模型的平均正确率比YOLOv3模型高2%左右,平均检测精度达到92.25%,可以满足检测需求。无人机遥感技术能够较好地应用于交通网络地质安全监测预警,后续通过建立完善的无人机图像知识库,能够提高图像理解的自动化和智能化,从而提高无人机图像自动分类识别的精度。