遥感地质是地学研究的重要分支。利用遥感影像进行断层识别是地质构造研究中的一种重要手段。传统的研究中,基于遥感影像断层的识别与判断往往需要研究人员具备相应的知识储备。不同的研究者,可能对断层的判定也会存在差别,给断层判定带来了不确定性。而快速发展且在图像信息提取领域取得巨大成功的深度学习方法有可能为遥感地质信息提取提供一种新的途径。为此,本文尝试利用深度学习技术开展遥感影像断层信息的提取研究。本文利用深度学习方法,构建出遥感影像断层检测模型,进行了深度学习在遥感影像断层自动提取的可行性探究,并对结果进行了分析。具体研究内容如下:（1）探究遥感影像断层数据集的制作。针对目前光学遥感领域断层数据集匮乏的问题,对遥感影像的断层数据集制作方法进行了研究,涉及图像预处理以及数据增广的研究。（2）探究深度学习模型在遥感影像断层检测的方面的可行性。对Alex Net、VGG16-Net、Res Net、FCN、Unet等模型进行了结构分析。并基于Unet模型进行改进,完成了遥感影像断层检测的研究。（3）对模型检测效果进行了评价。结合模型训练和测试,利用精度、召回率、交并比等精度指标对模型进行了多角度的精度分析工作。本文取得的成果如下:（1）提出了一种结合Arc GIS软件,制作遥感影像断层数据集的方法,为相关研究人员提供了参考。（2）完成了1:50万和1:30万遥感影像部分区域的断层数据集的制作。共计包含14014张的数据集,解决了相关领域数据集匮乏的问题,为相关研究提供了数据支撑。（3）基于Unet模型进行了创新,提出FUnet（Fault detection Unet）模型,用于遥感影像断层的检测。（4）验证了利用深度学习方法对遥感影像断层检测的可行性。基于实验结果,证实了深度学习技术在遥感影像断层检测的可行性。取得了相关领域成果,开拓了深度学习在遥感影像领域的研究思路。