随着全球建筑业和城市化进程的加快,拆迁和新建规模不断扩大,建筑垃圾产生量不断增加。由于建筑垃圾对社会、经济、生态环境造成的严重威胁,建筑垃圾管理问题逐渐得到重视。监测建筑垃圾的空间分布是建筑垃圾智能监管的重要研究之一。目前,针对建筑垃圾的监测主要方法是人工实地调查和遥感监测。前者存在成本高,效率低等问题。后者通过简单地构建遥感监测指数从遥感图像上识别建筑垃圾,建筑垃圾光谱和纹理的复杂性导致识别效率及识别精度均无法满足需求。机器学习算法在遥感图像分类研究结果表现优异,具有较高的准确性和效率,可为建筑垃圾的识别带来新方法。但是机器学习不同的算法参数组合对建筑垃圾识别效果不同,且使用过程存在消耗大量的数据存储和计算资源的问题。为探究不同机器学习算法及其不同参数设定对建筑垃圾识别能力,实现建筑垃圾堆放地的快速识别与定位,减少机器学习在使用过程中的限制,本文结合Google Earth Engine探索了四种机器学习算法对建筑垃圾遥感快速识别的效果。主要研究工作及结论如下:（1）基于Google Earth Engine获取高精度的Sentinel-2遥感影像数据,以建筑垃圾污染风险较大的超大城市北京市为研究区,通过图像预处理（包括裁剪、去云、中值合成等）生成无云Sentinel-2图像,建立了研究区遥感监测影像数据库。针对建筑垃圾产生、堆放和处理过程,依据遥感影像,构建了建筑垃圾遥感形态、纹理、结构、空间分布样本库,为机器学习实验研究积累样本数据,满足了建筑垃圾采用不同机器学习算法识别的需求。（2）选取主流机器学习算法浅层特征提取模型（决策回归树,随机森林,支持向量机）和深层特征提取模型（深度学习算法）,对建筑垃圾进行识别计算,绘制卫星图像中的建筑垃圾堆放地空间分布图。基于浅层特征提取模型的建筑垃圾识别方法中采用经验选择法、实验试凑法、网格搜索法探索决策回归树,随机森林,支持向量机的最优参数化方案。基于深层特征提取模型的建筑垃圾识别方法实验中,使用Tensorflow深度学习框架处理建筑垃圾遥感影像,并使用这些数据训练U-Net模型,结合Google Earth Engine输出建筑垃圾遥感识别结果。（3）通过评估上述四种算法的精度和实地验证结果,确定适合建筑垃圾遥感识别的机器学习方法。基于浅层特征提取模型的建筑垃圾识别中,决策回归树,随机森林和支持向量机对建筑垃圾的整体识别精度分别为73.12%,98.05%,85.62%。基于深层特征提取模型的建筑垃圾识别中,使用语义分割深度学习模型进行建筑垃圾识别监测,损失函数评估U-Net模型训练较好,取得了较好识别结果。在评估数据上的类别像素准确率,召回率分别为64.1%,85%,训练后的模型在验证图像中的预测和真实观测值之间实现了60.3%的交集。（4）四种算法对建筑垃圾的遥感识别均表现出较好的识别能力和较高的性能,识别结果基本一致,在识别效率及分类精度上总体符合建筑垃圾遥感识别要求,进一步证明了机器学习方法在基于遥感图像的建筑垃圾智能识别中的有效性。将浅层特征提取模型中的随机森林算法与深层特征提取模型中的深度学习算法比较,两者各有优缺点。随机森林算法在建筑垃圾识别过程中,识别速度快,精度高,但有噪声干扰,对小范围的建筑垃圾堆放点识别效果差,且难以监测出完整的边缘,容易丢失细节信息。深度学习算法能够从上下文信息和细节信息中组合学习更多的建筑垃圾深层特征,提取建筑垃圾边缘信息结果较好,识别的建筑垃圾堆放地轮廓较完整,输出更加精确的建筑垃圾识别结果。但与随机森林算法相比,运行时间较长。因此,可根据不同需求选择不同的机器学习识别方法,即需要快速定位建筑垃圾的堆放地可采用随机森林算法,需要获取建筑垃圾堆放地的准确范围可采用深度学习算法。研究构建了可扩展且高效的建筑垃圾机器学习识别框架,使用Google Earth Engine的数据资源和计算资源来识别监管建筑垃圾。探索了基于机器学习建筑垃圾遥感识别的方法,可以及时且准确地识别建筑垃圾,为建筑垃圾的智能监管和资源化利用提供科学基础。