自然灾害给城市和群众带来广泛的危害,感知道路障碍信息对防灾减灾有重要价值,有利于应急管理部门采取有效应对措施,减少人员伤亡和财产损失。传统的灾后道路障碍相关工作主要是通过调查员实地调查或通过摄像头等传感器设备辅助完成,这类方法耗时耗力,不利于及时采取响应措施。物联网、大数据、人工智能的发展,推动了海量数据的产生,为感知灾后道路障碍提供了新的思路。本文基于多源空间群智数据,以数据驱动的方式对道路障碍进行相关研究,实现低成本、低耗时、高精度的灾后道路障碍检测、识别与风险评估,具体如下:第一,基于大规模浮动车轨迹数据,提出聚类直接鲁棒矩阵分解算法,实现灾后道路障碍及时检测。首先根据浮动车轨迹,提取浮动车异常移动行为,构建异常行为矩阵;其次提出了一种聚类直接鲁棒矩阵分解的异常检测算法检测道路障碍。本文通过厦门市出租车轨迹数据,检测2016年下半年台风灾害下的道路障碍,结果表明本文方法的准确率达到95.3%,召回率达到93.1%。第二,基于城市异构数据,提出融合多源时空特征的神经网络模型,实现灾后道路障碍准确识别。首先根据城市异构数据,提取道路障碍时空特征;其次采用融合多源时空特征的神经网络进行建模识别。本文通过厦门市2016年下半年台风灾害下的道路障碍类型进行建模,结果表明融合多源时空特征的模型在验证集上的多分类F1值达到89.8%。第三,基于社交网络数据,提出融合多源时空特征的自训练算法,实现道路障碍风险评估。首先基于浮动车数据,利用聚类算法提取路网并对路网类别进行划分;其次提取路网时空特征;接着通过社交网络数据和群智感知方法收集历史道路障碍数据;最后采用融合多源时空特征的自训练算法进行建模评估。本文通过2015年至2018年的厦门市道路障碍发生进行建模,结果表明本文方法在验证集上的平均准确率达到85%以上,且平均只利用全部数据的50%进行训练。本文利用城市中现有的多源空间群智数据进行灾后道路障碍及时检测、准确识别和风险评估,并通过厦门市真实数据验证本文方法的有效性,能为应急管理部门提供决策支持,降低自然灾害带来的危害,有利于防灾减灾工作。