房价与城市居民的生活息息相关。住房价格不仅仅与房产本身的结构特征有关,还与本文的主要研究对象——建成环境有着重要的关系。识别和理解建成环境对分析城市房价的空间分异规律有着极大的帮助。然而,建成环境的量化却存在困难,传统的人工审查方法存在耗时耗力的缺点。深度学习的发展和街景及遥感产品的普及给建成环境的量化带来了新的技术路线。本文运用深度学习模型Seg Net和UNet分别获取了街景和遥感图像的语义分割对象,以期从中提取与房价相关的建成环境特征。街景和遥感图像分别从地面和天空的视角展示了城市的建成环境现状,融合这两种数据能够更加真实地反映建成环境。为了实现这个目的,本文设计了一种考虑尺度差异和视角差异的遥感和街景语义分割对象融合方法。该方法对呈现点状稀疏采样的街景语义分割对象使用了贝叶斯经验克里金插值,将其转化为与遥感数据尺度所一致的面状连续分布特征;然后运用三维的视角,生成了融合绿化指标和融合建筑物指标。实验结果表明,加入街景和遥感指标能够给房价回归模型带来更高的拟合精度;相比于遥感指标,街景指标对模型的贡献更大。此外,本文运用经济领域的特征价格模型、地理领域的地理加权回归模型和计算机领域的XGBoost三个模型分别对房价进行回归,从不同的角度分析了建成环境特征对房价的影响。实验结果表明,地理加权回归模型的精度最高,XGBoost次之,特征价格模型最差。这三个模型分别从全局的角度、局部的角度和数据拟合的角度出发,探索了变量和房价之间的关系。通过其回归结果的对比,本文更加全面地了解了建成环境特征和非建成环境特征对房价的影响。具体来说,本文发现在建成环境指标中,融合绿化指标、天空指标和交通设施指标与房价呈现比较明显的正相关关系,而交通流量指标则相反,对周围房产带来了负面影响。比较特别的是,融合建筑物指标对房价的影响明显呈现两极分化的状态。在非建成环境指标中,经济相关指标——到金融中心的距离、到产业园区的距离和到商圈的距离对房价产生了最为主要的影响;除此之外,到市中心的距离和到重点中学的距离也是房价的关键影响因素。本文设计了考虑尺度和视角差异的多源数据（遥感影像和街景）融合方法,为涉及到建成环境的其他领域问题（公共健康、空气污染和城市微气候等）提供了数据融合框架。同时,本文对比了经济领域、地理学领域和计算机领域的三个房价回归模型结果,交叉验证了不同变量对房价的影响,有利于进一步探索不同建成环境特征和房价之间的规律,得到普适的领域知识用以指导建成环境的设计和城市规划。