滑坡位置和体积信息是滑坡地质灾害研究中常用的重要参数,快速、准确地识别滑坡和估算体积对于滑坡灾害应急救援具有重要意义。现有方法难以精准识别滑坡边界,本文研究基于深度学习的低空摄像测量滑坡识别方法,该方法融合多源数据特征以改进的Deep Lab V3+模型为分割框架,实现对滑坡的精确识别。受到滑坡复杂地形条件因素的干扰,传统插值算法难以精确模拟滑坡前地表高程,本文构建深度神经网络插值模型,生成复杂地形条件下滑坡前地表高程,基于滑坡前后地表高程变化和微分算法估算滑坡体积。本文的主要研究工作如下:（1）在团队前期研究基础上,从低空无人机获取的重叠影像上提取同名特征进行影像匹配,基于Sf M算法进行空三解算获得稀疏三维点云,利用SGM密集匹配算法重建密集三维点云,并生成数字正射影像和数字高程模型,同时结合伽马增强的可见光植被指数和双边滤波算法从密集点云中提取地面点,剔除地物点（如植被等）。（2）针对现有方法难以精准识别滑坡边界的问题,顾及滑坡在多尺度影像上的特征,基于改进的融合滑坡光谱特征和地形特征的Deep Lab V3+语义分割模型（Spectral-Topographic Fusion of Deep Lab V3+Network,STFDN）,引入滑坡地形特征因子（高程、坡度和坡向）与滑坡RGB影像组成多源数据作为STFDN模型的训练样本,通过语义分割实现滑坡自动识别与边界检测。（3）针对传统插值方法难以精确模拟滑坡前地形高程的问题,构建深度神经网络（Deep Neural Network,DNN）插值模型来表征点云数据中二维坐标与高程之间的非线性映射关系,该模型以滑坡边界点云数据为训练样本,通过基于深度学习的方法生成复杂地形条件下滑坡前顶部坡面高程,然后,利用滑坡前后地表高程变化和微分算法估算滑坡体积。实验结果表明,引入滑坡地形特征因子能改善滑坡边界识别的效果,同时验证了改进的模型相比Deep Lab V3+模型在滑坡识别精度方面表现更优。相比传统插值方法,DNN插值方法能精确重构滑坡前局部地形并准确估算滑坡体体积。本文提出的基于深度学习的滑坡识别和体积估算方法,能够准确快速地识别滑坡并估算体积,在滑坡灾害应急监测与决策中有重要意义。