滑坡作为危害最为严重的地质灾害之一,给人类的生命和财产造成巨大损失,因而针对滑坡隐患的可靠、及时识别具有重大的社会与经济意义。传统的滑坡识别方法主要是依赖高分辨率光学遥感图像,常用的人工目视解译方法精度高效率低,专家知识依赖性强,难以满足大数据量遥感图像判读,因而基于深度学习的遥感滑坡自动识别方法逐渐得到关注与应用,深度学习方法能够自动提取滑坡隐患相关特征,端到端的训练模式极大提高了滑坡识别效率与自动化程度。极化合成孔径雷达具备全天时、全天候遥感监测的能力,能够完整获取地物目标后向散射特性,将其与InSAR技术结合可以有效提取地表形变信息。本文融合卷积块注意力与自注意力机制,组合光学与DEM的波段信息,利用深度学习方法实现对研究区的滑坡隐患识别,将滑坡隐患识别结果与InSAR形变相结合,可以充分利用两者的互补性,完成研究区域滑坡隐患的识别与风险分析。论文的主要工作与研究成果如下:（1）InSAR干涉测量技术的研究与实现。本文研究区域选定为宁夏隆德县,该区自然环境脆弱,容易诱发滑坡等地质灾害。数据方面选择高分二号全色数据、哨兵一号SAR数据以及SRTM高程数据作为本文研究数据源。形变提取方法选择InSAR干涉测量,针对InSAR干涉测量中的轨道校正、影像配准、干涉处理、相位滤波、地理编码等关键步骤进行介绍与实现,为后续研究区形变提取提供理论与技术支撑。（2）注意力融合的滑坡识别算法研究,这部分研究内容是基于像素级的滑坡区域分割,模型选取图像识别领域常用的编码器-解码器架构,在浅层特征语义层引入卷积块注意力机制,从空间和通道两个维度增强模型对滑坡区域的关注程度;在深层特征语义层引入改进的自注意力机制,帮助模型获取全局感知能力的同时,利用CNN的图像归纳偏差有效避免了自注意力的大规模预训练。本文算法的滑坡识别准确率达到96.81%,与DeeplabV3+、U-net方法相比分别提高了 0.31%和 0.58%。（3）基于InSAR的滑坡隐患风险分析。本文利用PS-InSAR与SBAS-InSAR两种时序InSAR技术对研究区地表形变信息进行提取,通过对比发现PS-InSAR形变结果存在较大范围失相干,而SBAS-InSAR形变提取结果较为完整,综合两种时序InSAR形变结果共圈定出研究区内重点形变区185处,重点形变区主要分布于隆德县中低山区、黄土丘陵区以及红岩丘陵区,在河谷平原区分布较少。结合时序形变结果对本文算法识别出的滑坡隐患点进行风险评估,重点分析了隆德县温堡村北部、光联村西部和北部的滑坡隐患区,借助时序形变曲线定量描述滑坡隐患区的形变情况,为隆德县滑坡隐患的识别与风险分析提供了新思路。