传统的城市扩展元胞自动机（CA）模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,该文基于多结构卷积神经网络,提出从区域特征出发,顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型（MSCNN-CA）,并以武汉主城区为例,模拟了试验区2005—2015年期间城市扩展过程。此外,由于不同区域或发展时期的转换规则存在一定相关性,为充分利用已有的样本数据和模型且提高深度学习在CA模型中的实用性,该文构建了深度迁移学习城市扩展元胞自动机模型（DLT-CA）,基于武汉数据训练好的模型作为本模型中的源模型,将源模型中的卷积层迁移到新模型上,并利用上海浦东新区样本数据集去微调新模型,最终得到适用于上海浦东新区的深度迁移学习CA模型。模型验证表明:（1）逻辑回归和神经网络相比,该文构建的3个单一结构的卷积神经网络元胞自动机（CNN-CA）模型在4个指标(Kappa系数、Fo M值、命中率（H）和错误率（M）上都有不同程度的提高。特别是Fo M指数,在武汉主城区提高了23.3%～29.4%;此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,Fo M指数在武汉主城区提高了0.8%～4.8%。（2）当训练样本为1%到10%时,DLT的模拟精度都会略高于MSCNN,说明在此时,迁移学习模型的迁移效果表现是优异的,而当采样比例为15%时,DLT的模拟精度为0.6195,低于MSCNN模型的0.634,出现了负迁移现象。模拟结果表明:（1）相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型（MSCNN-CA）能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程;相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。（2）DLT-CA模型在利用旧模型的情况下能够加快模型收敛速度从而提高模型整体的运行效率;且在目标领域的样本数据较少时（低于10%）,深度迁移学习CA模型能够从存在一定相关性的源领域模型迁移有用的参数和特征,得到适用于目标领域的新模型,说明深度迁移学习CA模型能够充分利用已有的旧样本或模型,提高已有的旧样本数据或模型的利用率,这对CA模型在城市扩展领域的应用具有很大的意义。