中国地形条件相对比较复杂,由于地震作用,往往会诱发崩塌、滑坡、泥石流等地震地质灾害,而滑坡是其中最为常见,且破坏力最强的,一次大地震往往就会引发数以千计的滑坡。滑坡不仅会带来经济方面的损失,甚至会引起人员的伤亡,因此对滑坡的研究具有非常重要的意义。近年来,无人机凭借其独有的灵活性、便携性、持久性、以及数据具有高分辨率等特性迅速发展,被广泛的应用在地质灾害与环境调查等领域,该技术方法在开展小区域或者流域滑坡调查和单体滑坡调查等方面的操作性较强,因此本文采用2017年四川九寨沟M_S7.0地震震后分辨率10 cm的无人机影像提取震后滑坡灾害信息,主要研究内容如下:(1)本文以九寨沟县M_S7.0地震震后获取的无人机影像为数据源,以九寨沟地区的九道拐、上四寨和犀牛海这三个地方的部分滑坡区域为研究区域,选取的研究区的总面积为87.62 km~2,研究区包含的滑坡区域的实际面积为12.67 km~2。(2)本文运用了面向对象、监督分类和深度学习这三种方法完成滑坡的提取,面向对象主要是从纹理、光谱、色调等方面分析滑坡的属性特征,首先对获取的无人机影像多尺度分割,然后构建特征规则集,根据构建的特征规则集实现滑坡的提取;监督分类首先是构建无人机影像地震滑坡样本库,然后选择最小距离法作为分类器,实现了地震滑坡的提取;深度学习的方法以滑坡灾害体的区域作为训练样本区域,样区大小为100×100尺寸像素,无须以整个滑坡为单体样本,解决了滑坡数据样本不足的问题,样区可以大致分为三类:含有天空、道路、湖泊等地物的背景标签1,植被标签2,滑坡标签3。采用深度学习卷积神经网络VGG-16模型对样本进行训练、计算和分类。模型计算成功以后采用多尺度分割算法对待提取的图片数据进行多尺度分割,然后用构建好的VGG-16模型对震后滑坡灾害体进行提取。(3)本文采用的三种提取方法中,基于面向对象的方法提取滑坡,提取结果出现“过提取”和“漏提取”的现象均较明显,平均误差为6.99%,平均kappa系数为76.71%;选择最小距离法作为监督分类的分类器提取滑坡,普遍出现“过提取”的现象,平均误差为10.91%,平均kappa系数为67.19%;基于深度学习的方法提取滑坡,平均误差为1.35%,平均kappa系数为94.98%,提取精度较高。整体来看,面向对象和监督分类这两种方法提取滑坡,在效率上有所提高,但是提取精度不高,容易出现“过提取”和“漏提取”的现象,而深度学习的方法提取滑坡不仅解决了效率的问题,也提高了提取精度。