随着地理信息技术的快速发展与推广,可靠的空间数据是基于空间数据决策与相关应用的重要前提。然而,众源地理信息数据主要是由一些非专业贡献者提供,并不能保证数据生产的质量。开放街区地图(OpenStreetMap,OSM)是众源地理数据中最具有代表性的项目之一,拥有数量众多的数据使用者。建筑物是OSM数据中常用的空间要素,而且表达形式复杂。因此,本文以OSM建筑物数据为研究对象。论文选择从定量OSM建筑物数据评价角度,开展基于官方矢量数据OSM建筑物数据质量综合评价方法研究和基于高分辨率遥感数据OSM建筑物数据完整性与位置精度评价方法研究。主要研究内容包括以下三个方面:1.构建顾及空间分布和几何变换的多边形相似性度量模型建筑物在地图中通常被表示为各种形式的多边形,为了解决建筑物几何形状精度评价问题,根据建筑物在地图中表示为不同形式的几何多边形建立不同的相似性度量模型。首先,针对简单多边形,提出了最远点描述函数,利用傅里叶变换实现几何不变量描述子提取;然后,针对带洞多边形,在简单多边形相似性度量基础上,引入了方位图概念描述内洞子图的空间分布情况,并且定义了各种空间几何变换计算方法,从而实现其相似性度量;最后,针对复合多边形,通过复杂度、子图邻域支持度以及简单子图相似度定义了匹配控制子图,并且基于匹配控制子图构建匹配位置图,利用简单多边形描述方式结合基于凸包的局部矩变量实现多边形向量化描述,从而达到相似性度量目的。2.基于标准矢量参考数据,提出利用深度自编码神经网络OSM建筑物数据综合评价方法在研究区存在官方标准矢量参考数据的情况下,针对基于标准数据OSM数据质量评价存在评价因子不全面,评价因子权值主观性等问题,提出了包括形状精度(相似度),数据完整性、位置精度、方向一致性和语义精度五种评价因子,构建深度自编码网络,采用非监督学习方法进行数据质量评价,以模型编码-解码重构误差作为质量评价结果,弱化了评价因子人工权值。利用人工智能方法从深层次数据特征分析,实现数据质量客观、综合、定量化评估。模型具有很强的泛化能力,可推广在其他数据质量评估或异常数据分析领域中应用。3.基于高分辨率遥感影像数据,提出利用多任务特征学习提取参考数据实现OSM建筑物数据完整性与位置精度评价方法在一些地区官方标准矢量参考数据使用受限的情况下,提出了利用高分辨率遥感图像的提取结果对OSM建筑物数据质量的评价模型。首先,针对高分辨率遥感图像中建筑物规模多样、尺度大小不同情况,设计了多任务特征学习深度卷积神经网络。然后,引入引导滤波方法,优化了建筑物提取结果,去除了椒盐噪声。最后,结合掩膜方法提取建筑物轮廓作为评价OSM建筑物的参考数据。计算了OSM建筑物数据完整性和位置精度,从而实现OSM建筑物数据质量评价。本文可以为志愿者地理信息的发展提供事实依据,使得相关项目更好发展,指导数据的采集方式和区域。通过遥感提取建筑物,从某种程度上可以补充OSM数据缺少的不足。本文创造性地将人工智能相关技术与方法应用于OSM建筑物数据质量评价中,将遥感数据与地理信息数据结合,为后续的研究提供了丰富的思路。