深度学习凭借其强大的深层特征提取和特征组合能力,能充分表示大规模数据内部复杂的非线性关系,已在行业数据应用中显示了突出优势,是当前计算机科学领域研究热点之一。计算机性能的不断提高为深度学习网络层级增加提供了条件支撑,同时也给我们构建学习模型和训练参数理解带来了重大挑战。论文围绕当前深度学习的模型构建与参数训练两大关键问题展开研究,基于高光谱遥感数据,面向滑坡灾害检测目标,综合研究了主流深度学习模型及特点,探索了模型构建机理及训练目标函数的确定方法,总结分析了机器学习常用优化算法和逃离局部最优的策略。最后,立足高光谱遥感数据特点和滑坡目标遥感特征,完成了深度学习在地质灾害领域的典型应用。论文的主要研究内容和研究特色如下:(1)在研究深度学习算法的构建思路及背后物理意义的基础上,以特征驱动分类的思想,综合分析了深度学习算法对数据内部非线性特征的映射能力,通过对比分析不同的网络模型在不同数据集中的特征聚合优势,给出了更有效的模型合并策略。(2)对优化算法的深度学习模型稳定性影响进行了系统研究,结合常规优化算法的推导过程,深入分析了深度学习优化算法的特点,探索了应对大规模高维样本数据的科学解决途径。(3)构建了一种面向滑坡检测的深度学习模型,首次面向深度学习全面研究了高光遥感影像数据特点与滑坡影像特征,设计了深度学习基础网络的选择与组建方法,重点考虑了基于滑坡影响因子为约束条件优化模型训练的切入方式。(4)通过具体实例应用和过程分析,获得了针对滑坡检测的深度学习最优参数,讨论参数对滑坡浅层特征向深层抽象特征映射效率的影响,以及参数对特征组合路径的影响效果,为深度学习提取数据模糊、隐性特征等提供了参数优化依据。(5)提出了一种滑坡灾害的波谱曲面特征描述模型,模型基于面向对象思想考虑了滑坡体内部物质、碎屑分布、风化程度与滑坡体对象影像稳定不变特征的耦合关系,重点探索了单波段和多波段下的波谱曲面特征组合应用方法。