图像处理作为光学工程领域的重要研究方向,在深度学习的推动融合下迎来了新的发展,能使图像的语义信息能更好得被发掘和表达。现阶段隐藏在城市各个角落的小微空间由于面积较小、人迹罕至等原因没有得到广泛的关注和高效的利用,而这些小微空间的开发能够提高城市管理规划的效率和提升城市的活力,因此小微空间的识别定位工作十分重要。传统的小微空间定位研究工作需要耗费大量人力物力实行现场调查研究,成本高且效率低下。街景图像以其贴近人的视角、要素涵盖全面、数量大覆盖面广等优点成为当前高效新式的数据源,其包含了全面且具体的小微空间的空间信息,是研究小微空间识别定位的不二之选。但是传统的光学方法不能将街景图像的语义信息良好的表达。为了解决传统小微空间定位研究工作过程中耗费人力物力且效率不高、传统光学方法无法将街景图像的语义信息良好表达的问题,本文针对不同街景图像的不同色彩分布和要素成分,综合图像相似匹配、图像目标检测识别和图像语义分割三种算法研究了基于图像深度学习处理的城市小微空间识别定位方法,三种算法相辅相成、互相补充,对街景图像的处理逐渐深入,充分满足不同程度的街景图像特点,能全面高效地对北京市街景图像信息进行挖掘和分析,准确地识别定位出小微空间,对于完善城市研究方法体系和其他城市小微空间研究工作具有参考价值和指导意义。本文的主要研究内容如下:（1）采用Python编码的方式接入到百度API接口获取百度街景图像,通过求解畸变函数处理街景图像采集时的图像畸变问题。（2）整理当前研究成果,结合小微空间特点,根据街景图像色彩分布和要素成分的不同提出三种图像深度学习处理的方法进行小微空间的识别和定位。（3）对于街景图像色彩分布区别明显的情况,本文采用图像相似匹配方法寻找待检测图像集中与目标图像相似的街景图像。图像相似度匹配法是根据感知哈希算法和余弦相似算法计算出图片的相似度,输出达到相似度阈值的街景图像来完成小微空间的识别定位。（4）对于需要通过找到包含目标要素的街景图像的情况,本文采用基于YOLOv5算法的目标检测识别方法识别出街景图像中的目标要素。通过Labelme模块对目标要素进行标记并训练成满足检测需求的数据集,通过YOLOv5算法检测识别出包含目标要素的街景图像同时输出达到设定阈值置信度的街景图像来实现小微空间的识别定位。（5）对于需要区分目标要素在实际中的相对面积的情况,本文采用基于ADE20K数据集的PSPNet语义分割方法来得到目标要素的实际相对面积。对相同采集车的相同采集角度的街景图像进行数据增强和PSPNet语义分割,计算目标要素的深度像素值,不仅可以识别出图像中目标要素的类别,还可区分出目标要素的实际相对面积从而实现小微空间的识别定位。（6）将研究的基于街景图像深度学习处理的城市小微空间识别定位方法应用于北京市北下关街道,通过对北下关街道街景图像进行处理,能够准确地根据街景图像色彩特征和要素分布实现小微空间的识别定位。