街区是城市结构的基本组成,其品质与居民的日常生活及身心健康存在密切关联。业内专家常借助街区品质评估结果进行城市精确诊断,从而改善消极空间、激发城市活力。然而,随着建筑规划行业的飞速发展,规划项目的数量显著增多,致使街区品质评估工作对人力物力的消耗逐渐增大。人工智能可以提高街区品质评估效率、降低时间和人力成本,为街区品质评估方法的研究提供了新途径。传统街区品质评估方法主要以街景图像、传感器数据和问卷调查等为基础,由业内专家进行人工评估,但该方法带有主观偏差且效率较低。与此相比,基于人工智能的街区品质评估方法以街景图像、大数据爬虫等作为数据来源驱动机器学习模型,以此进行智能化街区品质评估的方法逐渐成为主流研究方向。但是,街景图像采集方式和角度不统一等情况容易造成图像内容偏差,从而影响街区品质评估模型的性能。此外,人工标注成本高等问题使得带有品质类别标签的街区数据有限。针对这些问题,本文以街区品质评估为应用背景研究机器学习算法,重点解决街区品质评估方法在实际应用中存在的小样本、数据不平衡、标注困难和街区特征表达效果欠佳等问题,主要工作包括:首先,本文提出基于卫星图像的小样本街区品质评估算法。该方法针对图像内容偏差等问题,采用卫星图像代替传统方法中的街景图像;针对小样本和数据不平衡问题,使用欠采样方法进行数据预处理后随机生成多个批次进行模型训练;针对街区品质类别固定的特点,提出可继承训练集子空间参数的小样本学习分类算法,提高了模型训练效率和街区品质评估的正确率。实验结果证明了添加欠采样预处理方法和继承子空间参数的深度子空间网络算法对于街区品质评估问题的有效性,为之后的研究提供了基础。其次,本文提出基于多特征融合的街区品质评估算法。该方法合理利用街区图像数据与非图像数据进行早期融合,构建融合特征,使得街区卫星图像对空间关系的表达和非图像数据对量化特征的表达互补,提高街区品质潜在特征的表达能力,从而提高模型的学习效率和街区品质评估的正确率。该方法以随机森林为核心算法,使用朴素随机过采样方法解决数据不平衡问题。实验结果表明,本文提出的多特征融合算法比单一数据源对街区品质的表达能力更强、评估正确率更高。本文所提出的以上两种算法适用于不同情况。基于卫星图像的街区品质评估方法适用于仅使用卫星图像数据进行街区品质评估的情况,该方法可以快速获取卫星图像,并在小样本数据的情况下仍保持较高正确率,具有数据易获取、步骤简洁等特点。基于多特征融合的街区品质评估方法适用于数据集中同时包含图像数据和非图像数据的情况,该方法将图像与非图像特征融合后进行随机过采样,并使用传统机器学习算法进行评估,具有评估正确率高、时间成本低等特点。本文对于不同数据条件下的街区品质评估方法进行研究,贴合工程应用中的实际情况提出了具有针对性的算法。