在城市化快速发展过程中,城市极端暴雨事件增多增强,致使洪涝灾害频发。在洪水期间及时准确地估算积水信息是有效防灾减灾的基础。道路监控视频等新数据源以图像的形式记录城市洪水过程,而计算机视觉技术为从图像数据中提取积水信息带来了新的机遇。本文提出了一种基于计算机视觉的方法,用于估计监控视频中城市道路积水等级的时空分布。以大连市为研究对象,应用此方法实现了两个场景、共四场降雨的积水等级时空分布估计。另外,本文搭建了MIKE FLOOD模型进行城市内涝积水模拟,评估了积水等级数据对模型率定的作用。本文取得的主要成果有以下几个方面:（1）建立了基于计算机视觉的识别单张监控视频图像中积水等级的模型。模型以积水中的轿车为识别对象。首先收集了从三个来源编译的轿车图像数据集,训练目标检测算法,即“You Look Only Once Vision 3”（YOLOv3）。其次采用训练后的YOLOv3模型来识别视频图片中轿车的位置和其对应的积水等级（0–3级,积水程度递增）。将模型应用于大连东关街桥洞情景下两场降雨共1476张监控视频图片。结果表明,模型的全类别平均识别精度达到78%,模型尤其在高等级上表现较优越。（2）提出了基于多图像统计分析的积水等级时空分布估计算法。汇总同一时间步长内的多张监控视频图像的积水等级识别结果。采用异常值检测分析并删除每个时间步长内多个积水等级点中的异常点,以降低单点结果不确定性对分布结果的影响。采用反距离权重插值从多点位积水等级推求分布结果。该方法应用于大连市东关街桥洞。结果表明,积水过程与降雨时间序列的相关性较强,场景中静态参考对象所处位置的积水等级过程线与该点观测得到的水深过程线基本吻合。交叉验证实验显示,经异常值检测得到的积水等级分布在测试集上的平均精度为88%,高于不经异常值检测的80%,表明了异常值检测的必要性以及分布结果的准确性。迁移实验表明,该方法具备场景可迁移性。（3）定量评估了积水等级数据（不确定性数据）对城市雨洪模型率定的作用。选取大连东关街桥洞所在的青泥排水区北部为研究对象,搭建了MIKE FLOOD一、二维耦合模型,对研究区进行城市内涝积水模拟。以两场降雨下桥洞场景的积水等级数据为率定数据,选取Spearman秩相关系数为率定标准,对地表径流平均流速和地表糙率两个参数进行了率定,并验证了研究区内四个易涝点的最大积水深。结果表明,基于率定出的最优参数组合,平均Spearman秩相关系数为0.724,四个易涝点的最大积水深的误差均在15%以内,体现了不确定性数据对城市雨洪模型的率定有正面作用。