在滑坡监测研究中,形变特征的出现通常意味着边坡失稳的发生,因此能够获得连续的滑坡变形信息对滑坡过程分析具有重要意义。传统的从遥感图像以及航拍数据中提取的滑坡信息主要考虑大尺度空间范围内的群发性滑坡现象,其数据获取的成本高,同时遥感和航拍影像的间隔时间较长,不能提供连续的形变数据,也难以获得单个边坡全面详细的特征信息。本文首先通过设计室内物理降雨模型试验,在室内模拟自然条件下的降雨状况,模拟不同形态边坡在不同降雨条件下产生的滑坡现象。同时建立了基于双目视觉的三目相机监测系统,以获取边坡二维以及三维深度信息。然后基于该系统采集的图像数据提出了一种基于超像素理论的滑坡变形区域图像识别方法。利用该方法可实现滑坡区域的自动识别,获得连续的滑坡变形数据,并结合深度信息实现自动提取滑坡形变空间变化信息以及三维表面重建。具体研究成果如下:(1)基于传统的室内降雨滑坡试验,设计了新的监测手段,使用三目相机进行边坡形变的深度信息采集,同时结合了传统的孔隙水压力传感器以及摄像机设备,实现了降雨型边坡试验二维与三维数据的多角度监测,获得了丰富的边坡形变信息数据。(2)利用Python和OpenCV开源库基于超像素理论实现了滑坡形变区域的自动提取,通过超像素进行图像的初次分割以及对滑坡形变过程中边坡图像特征的变化,定义了一种基于颜色特征的图像粗糙度,实现了自动阈值的图像识别方法。该方法能够从图像中自动提取滑坡形变区域信息,从而准确地识别滑坡监测图像的特征以及其形态空间变化信息,并分析其变化趋势。通过三目相机采集的深度信息还原了边坡点云数据并进行了三维重建,并与实际边坡模型进行对比验证了其精确程度。通过对比二维滑坡形变信息与三维空间属性对于滑坡监测分析的差异与影响,证明了三维信息能够更加精确的描述与表达边坡失稳过程,得到更加丰富的滑坡形变信息。(3)通过图像识别结果得到了二维面积变化趋势,并根据三维表面重建结果在三维空间中计算了边坡形变的体积变化,同时结合孔隙水压力变化数据分析了边坡失稳过程,得到了不同降雨强度以及不同边坡形态对边坡稳定性的影响,同时对比了二维滑坡形变信息与三维空间属性对于滑坡监测分析的差异,结果证明了三维信息能够更加精确的描述与表达边坡失稳过程。(4)对图像识别结果误差进行了分析,从误差出现的位置以及图像特征入手,对比了实际物理试验结果,确定了相机分辨、镜面反射的变化以及背景的突变是导致识别误差的几种主要原因,并提出了优化思路。