随着近几十年来中国城镇化进程的快速推进,城中村作为其重要产物之一,在很多城市都十分常见,同时也对城市的管理和规划提出了挑战,并受到了科研人员的广泛关注。然而目前对于城中村的研究仍存在很多问题,例如缺乏系统的定量时空分析、对于城中村发展的整体趋势和驱动因素研究不足等。就遥感领域而言,尽管高分辨率遥感影像已经成为城市规划和管理等领域的重要数据源之一,但基于遥感的城中村研究仍然是空白。利用高分辨率遥感影像对城中村进行提取和分析对于城市规划管理人员和其他领域的科研人员具有重要的意义。目前常见的高分辨率遥感影像场景提取方法大致有基于中层特征的、基于神经网络的和基于对象的三类方法。然而,就城中村提取而言,这些方法存在以下问题:(1)由于城中村场景的多样性和复杂性,基于中层特征的方法很难表示其内在语义;(2)基于神经网络的方法有强大的特征表示能力,但它需要大量的标记数据进行训练,并且可解释性较差;(3)基于对象的方法大多依赖图像分割,但由于城中村的复杂性,图像分割难以获得准确的对象,而且在对象关系表示方面也缺乏有效的解决方案。针对以上问题,本文提出了分别基于深度神经网络和场景语义描述的城中村提取方法,建立了针对多时相、多地区高分辨率遥感影像的城中村时空监测框架,并以深圳和武汉为例,对两地的城中村进行了定量的时空分析研究,具体内容总结如下:1.以深度神经网络为基础,提出了基于非监督深度特征学习的城中村提取方法。该方法由基于聚类的非监督深度卷积神经网络(UDCNN)和基于受限玻尔兹曼机的非监督深度全连接神经网络(UDFNN)共同组成,首先由UDCNN的多个特征提取层对影像进行多尺度、自适应的特征提取,然后通过UDCNN的全局池化操作进行特征降维与合并,再将其依次通过UDFNN的多个特征抽象层逐层挖掘内在的结构信息,最终得到场景的深层抽象表示特征。2.从语义层面出发,提出了基于场景语义描述的城中村提取方法。该方法首先利用指数进行房屋、植被等语义对象的非监督快速提取,然后通过本文提出的两种场景语义表示方法来描述场景中语义对象的构成和空间分布模式。第一种是基于属性直方图的场景语义表示方法,它利用直方图构造各类对象的属性分布特征;第二种是基于景观指数的场景语义表示方法,其中景观指数被用于抽象和概括对象与场景之间的复杂关系。在本文的实验中,我们发现基于深度神经网络和基于场景语义描述的两种城中村提取方法要优于其它的非监督特征提取方法和传统的基于中层特征的方法,而它们彼此之间的精度差别不大,提取结果也比较接近。3.提出了一种针对多时相、多地区高分辨率遥感影像的城中村监测方法。该方法以基于场景语义描述的城中村提取方法为核心,利用景观指数为基础,可以使用非当前影像的标记样本进行训练。针对多时相情况下的样本特征分布不一致的问题,引入了迁移学习加以解决,针对不同地区的景观指数特征不适用的问题,本文提出了景观指数再选择的策略。4.将提出的方法应用于深圳和武汉的高分辨率遥感影像序列,并对其提取结果进行了定量的时空变化分析。其中,我们利用了多层次的景观指数来描述城市-城中村-房屋这一多层景观结构,在城市尺度上分析了城中村的多时相变化趋势,在城中村尺度上给出了城中村各项指标的分布情况。此外,我们对两地的城中村进行了空间聚类,发现深圳城中村的发展情况和它们的地理位置有显著相关关系。最后,我们总结和讨论了应对城中村的两种策略。