建筑物沉降监测是现阶段城市化发展安全监测中的重要内容，及时发现建筑物的实时变形情况并做好安全维护是城市发展所要解决的重要问题。本文以图像处理技术为基础，运用计算机视觉技术，设计了一种新的建筑物沉降监测方法。研究了卷积神经网络在建筑物变形监测的应用，并进行了实验分析，在此基础上实现建筑物沉降监测技术研究的应用价值。
　　本文详细分析了建筑物沉降的目的和研究现状，在观测建筑物沉降时，采用摄影测量的方法，包括常用的四种坐标系和正直摄影方式。由于光线的干扰在摄影监测时会产生桶形畸变和枕形畸变的问题，因此设计相应的相机标定方法，得到重投影误差、内参、外参以及畸变系数，实现监测图片的矫正;边缘提取监测图片，根据相机分辨率计算单位像素所占的物理尺寸反映成像系统的最小分辨能力。
　　本文基于卷积神经网络的框架，采用基于学习的超分辨率复原算法以解决在成像过程中产生的噪声、模糊、变形、降采样等问题。该算法主要包括图像块提取，非线性映射和图像重建，通过对以上三个部分进行卷积核和卷积层的选取，实现由低分辨率图像到高分辨率图像的端对端学习。实验结果表明重建图片的峰值信噪比达到30dB+，具有更好的重建效果。
　　设计了沉降监测方案，该方案由相机、望远镜、条形靶面为基础设备，主要完成了建筑物沉降监测系统框架的搭建;采用SIFT特征点匹配算法对建筑物沉降监测图片进行特征点匹配，利用特征点像素之差确定实际沉降量;对监测系统进行系统测试和精度分析，实验结果表明，计算出的沉降量误差满足建筑物测量的精度要求，为沉降监测工作提出了新的工作方法。