传统乡村聚落景观作为一种重要的景观类型,既是历史的宝贵财富,也是前人精神世界的物质体现。传统乡村聚落景观的研究建立在大量实地调研数据的基础上,过去对乡村聚落景观的研究需要深入调查走访,而这些地区往往交通不够便利,需要耗费大量的时间与精力。通过结合建筑图像和深度学习算法模型进行对聚落景观的智能分类识别可以极大地减少对聚落调查所需要的时间,降低了调查的人工成本,提高识别的效率,并可以客观的发现影响其分类的差异因子。通过图像识别技术探究传统聚落的景观特征,能更高效地为聚落的保护与发展奠定基础,为传统民居及村落的调查研究保护提供更多的可能性。本文以湖南省传统村落为研究对象,探寻基于深度学习的乡村聚落景观图像分类方法,综合传统民居建筑保护的研究进展与传统聚落景观特征分析,利用深度学习算法模型对湖南省的传统聚落景观的差异进行研究。针对以上问题,提出了一种基于建筑图像的乡村聚落景观智能分类方法,首先对图像数据手工标注制作成数据集,将图像分为汉族聚落、土家族聚落、苗族聚落以及侗族聚落,再把建筑图像中的特征分为建筑类型、建筑用材、屋顶造型、山墙类型、和屋脸形式,实现了对传统聚落中建筑信息的进一步细化,并进行数据预处理。然后搭建Swin-transformer深度学习图像分类模型并应用ResNet-152模型做对照实验。结果表明,Swin-transformer 的 Acc 为 95%,ResNet-152 的 Acc 为 76.5%。显然Swin-transformer模型优于ResNet-152模型。所以选择应用更优的Swin-transformer模型对湖南省乡村聚落景观图像进行分类识别,在过程中发现减少了专家依赖,建立全自动建筑图像分类系统,为大规模自动识别、分类景观图像打下了基础。接着对建筑聚落景观图像分类识别结果进行讨论与分析,基于Grad-CAM模型识别对上述分类模型进行关注点特征研究,探究分类模型的关注点是否为不同类型建筑聚落的主要差异,基于对Swin-transformer模型关注点特征的分析可得,建筑对传统聚落的形成起主要作用,模型识别特征主要由屋顶造型以及山墙类型决定,其次依据建筑类型或建筑用材,然后才是屋脸形式。确定精确度更高且识别特征更加准确的模型,从而得出湖南省传统民居建筑聚落图像识别的一种最适宜的高效方法。最后得出聚落景观中建筑的主要识别特征,表明其在建筑图像智能分类上的有效性,为之后传统聚落的分类保护进行铺垫,为传统聚落景观的分类及数据化保护提供了一定的基础。