随着煤炭资源开采战略西移,西部成为煤炭生产工业基地。高强度的开采工作导致地表塌陷损伤严重,以地表采动裂缝为主要表现,使得生态脆弱的西部地区环境进一步恶化。为及时、准确地识别出煤矿区采动地裂缝,避免次生地质灾害发生和恢复煤矿区土地生态环境,本文从地裂缝监测手段和提取方法两方面进行了研究现状调查,结合西部黄土沟壑区复杂的地形地貌,提出了基于低空无人机遥感影像和机器学习技术提取地裂缝的方案,以陕西省榆林市神木县西北部柠条塔煤矿采煤工作面为研究区,识别提取黄土沟壑区采动裂缝,并进一步统计分析裂缝分布特征。具体研究工作如下:（1）提出了基于特征优选的机器学习监督分类地裂缝提取方法。在多尺度分割算法的基础上结合局部方差变化率,对西部黄土沟壑区地裂缝无人机拼接影像进行了最优尺度分割;分析构建了黄土沟壑区的地物特征规则集（光谱、纹理、几何、指数）,并基于最小距离准则对特征集进行了优化,确定了15种优选特征;采用支持向量机、K最近邻、随机森林、朴素贝叶斯多种机器学习分类器分类提取采动裂缝,通过分类效果和分类精度的比较,确定SVM分类器总体效果最好。基于优选特征的SVM分类器总体分类精度达到88.97%,Kappa系数到达0.849,裂缝提取精度F1值达到87.87%,Kappa系数达到0.848,四种分类器的整体分类精度均在80%以上。（2）提出了基于深度语义分割的地裂缝识别提取方法。结合黄土沟壑区无人机影像及硬件条件,制作黄土沟壑地貌采动裂缝数据集。提出改进的U-net网络模型,结合了U-Net网络结构高度对称的编码和解码以及跳跃连接技术,在编码过程中引入残差结构加深了网络结构增大了感受野,同时获取深层特征,结合跳跃连接技术,融合底层的裂缝提取特征和浅层的高分辨率特征,实现了地裂缝目标的端到端像素级预测。在性能上和FCN8s、U-net原网络、FPN进行对比,验证了模型的性能的优越性;并对不同数据集进行实验,验证了模型的可移植性。（3）以柠条塔N1212工作面裂缝为实例实现了工作面范围的裂缝识别。通过多种方法的研究对比,采用深度语义分割方法提取采动裂缝,结合数学形态学方法计算并分析了裂缝的特征参数;以黄土沟壑地貌矿区N1212工作面为例,预测并提取出整个工作面范围的裂缝,绘制了地裂缝发育分布图和地裂缝密度图,对工作面裂缝的平面展布形态以及裂缝类型进行了分析。本文研究了多种方法,实现了地裂缝的识别与提取,并分析了裂缝的形状特征与分布特征,为采煤沉陷地质灾害调查监测以及土地复垦生态修复提供数据和技术支持。