农村居民点是乡村生产、生活的载体,而农村住房是农村居民点用地的主体要素。借助农村住房数据的空间聚类结果,对农村居民点范围进行表征,有助于了解农村居民点的动态变化,为农村居民点布局优化、土地集约节约利用、乡村空间重构、推动乡村振兴提供科学依据。高空间分辨率遥感数据产品的日益丰富,使得农村居民建筑物的准确识别和快速制图成为可能。随着机器学习领域的迅速发展,基于深度学习技术的高分辨率遥感影像智能解译已成为遥感领域的研究热点。本研究以长三角水网平原的典型农村地区为研究区,使用多源高空间分辨率遥感数据,研究基于深度学习的农村住房信息遥感提取方法,并应用农村住房空间聚类结果表征农村居民点,对研究区农村居民点的空间分布特征的时空变化进行深入探讨。本文的主要研究内容和结论如下:(1)基于高空间分辨率航拍影像和全卷积网络(FCN),提出了适用于亚米级空间分辨率影像的建筑物自动提取方法(RFA-UNet)。本研究针对全卷积网络模型在融合不同层级的特征时,忽视特征间的语义差距而引起的特征冗余和表达歧义问题,将注意力加权模块应用于跳跃连接结构,使用可学习的注意力权重对浅层特征在通道和空间维度的响应程度进行加权调整,从而加强特征表达的一致性。在多个遥感建筑物数据集上实验所得结果表明,提出的联合注意力模块(RFA)模块能够有效提高经典分割模型U-Net在高分辨率数据中对建筑物的提取效果。与其他方法对比,RFA-UNet的提取结果更加完整、准确,满足高分辨率影像建筑物高精度提取需求。(2)基于高空间分辨率卫星影像和全卷积网络,提出了一个用于农村住房类型识别的多尺度扩张残差网络(MSDRN)。高分遥感影像中的农村人造地物复杂易混,使用传统遥感分类方法提取精度相对较低。本研究考虑农村住房类内光谱差异和空间尺度变化较大等特点,利用扩张残差网络提取高分辨率的特征表示,获取更多的空间上下文信息,并采用多尺度特征融合结构和通道注意力模块对分类特征进行优化,提高深度网络对于农村住房的分类能力。在桐乡市典型农村地区的高分2号影像上开展的实验结果表明,本研究提出的模型方法可以有效地区分农村住房与其他人造地物,得到更准确的农村住房分类结果,两类农村住房的F1精度优于85%。在实际应用中,本研究提出的方法流程可以推广到更大范围内的农村地区,为区域尺度下的大范围地籍调查或农村住房变化监测提供重要参考。(3)基于半监督学习和集成学习,提出了一个适用于多源多时相高分辨率遥感影像农村住房提取方法,并成功提取了桐乡市2005年、2012年、2018年的农村住房信息。当前基于深度学习的遥感分类方法依赖大量标记样本,而人工标注的高成本使得此类监督学习模型难以应对多源多时相遥感影像构建的复杂场景。针对上述问题,研究提出了一个深度集成网络框架集成多个基于少样本构建的语义分割模型,从无标注图像中筛选置信度高的集成预测结果生成伪标签,用于后续迭代优化。实验结果表明,三个年份的分类总体精度均优于83%,使用半监督集成学习策略前后的平均总体精度提升分别为1.6%、3.1%和4%,证明本文的半监督集成学习策略可以有效缓解标记样本不足的问题,增强深度模型的性能。研究提出的半监督集成学习方法流程,可以为遥感影像智能解译提供借鉴,提高海量遥感数据的利用率。(4)基于桐乡市2005年、2012年和2018年的农村住房提取结果,使用渗流聚类算法(CCA)对桐乡市2005年、2012年和2018年的农村居民点范围进行量化,在此基础上借助探索性空间数据分析方法分析桐乡市农村居民点类型、数量及空间分布的演变规律。结果表明:1)基于渗流理论的CCA聚类算法可以根据农村住房网格的建筑密度属性进行空间聚类,实现格网尺度下农村居民点范围的近似提取;2)2005年到2018年桐乡市农村居民点面积总量先增后减,总体上减少了14.5%面积;2005年-2018年间桐乡市农村居民点的空间分布存在空间聚集性,且以低-低集聚和低-高集聚为主;3)2005-2012年为桐乡市农村居民点面积增长时期,增长热点区域为远离中心城区的西南区域乡镇和桐乡市北部乡镇;2012-2018年为农村居民点面积显著减少时期,中心城区及其周围乡镇为居民点面积减少的高值聚集区。