我国是世界上地质灾害发生最为频繁的国家之一,滑坡灾害占所发地质灾害的70%以上。滑坡灾害给国家经济带来巨大损失,严重危害了人民的生命财产安全。在滑坡研究及灾害监测中,形变量是反映滑坡体当前稳定性及运动状态最直接的物理量。目前对滑坡体形变监测的方法有很多,相比光学遥感以及传统测量技术,星载合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候实现短时间间隔、高监测精度和大监测范围等诸多优势。尤其是在我国西南地区,地形复杂多变且植被茂密,长波段雷达信号能够有效穿透云雾以及植被冠层,在一定程度上实现大范围高密度监测。合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术是当前从雷达遥感获取对地观测数据中提取地形信息最主要的技术手段之一。然而,传统合成孔径雷达差分干涉测量(Differential Interferometric Synthetic Aperture Radar,DlnSAR)技术易受时空失相干、大气延迟以及地形误差影响,在长时间序列形变监测中监测精度较低。针对这一缺陷,学者研究出多种时间序列方法,如永久散射体(Permanent Scatter InSAR,PSI)、小基线集干涉图序列(SmallBaseline Subset,SBAS)等。然而,受到自身技术的约束,其在诸如滑坡、泥石流等大梯度形变区域的应用效果不佳。因此,本文结合时间序列InSAR技术与偏移量追踪(Offset-tracking)技术,提高SAR技术在进行滑坡体形变监测时的监测能力。基于获取的形变量,结合研究区地形信息、土壤类型、土地利用、地质类型、植被覆盖以及降雨量信息,使用深度学习的方法对滑坡体进行敏感度评价,主要的工作及创新如下:1.研究了现有SAR数据在贵州山区进行InSAR形变监测的可用性,分析了不同SAR数据在多植被覆盖的复杂地形下的探测能力。从相干性和可视性两个方面,对实验区数据的可用性进行评价。2.基于SBAS技术和Offset-tracking技术相结合的方法,利用ALOS-PALSAR 2数据和Sentinel-1数据对实验区进行地表形变监测。以ALOS-PALSAR 2的高分辨率和高相干性与Sentinel-1数据的高可视性和高时间分辨率进行优势互补,已达到提高总体监测精度和覆盖度的目的。同时本次监测兼顾小变梯度(SBAS)和大形变梯度形变(Offset-tracking),获取了较全面的大范围形变监测结果。根据获取的形变监测结果,对检测区内形变速率较大的区域进行详细野外调查和验证,证明了 SAR技术的大区域形变监测能力和应用价值。3.在基于传统评价因子的BP神经网络滑坡敏感度评价方法的基础上,加入形变信息作为新的滑坡敏感度评价因子,提出一种结合时序InSAR技术与BP神经网络的滑坡敏感度评价方法。结合实地调查的记录信息,对传统方法和本文方法进行评价准确性对比。在此基础上,本文引入三种改进的BP神经网络,通过对比三种改进网络模型与传统网络模型的拟合精度来评价准确性。结果表明,加入形变区范围信息后的滑坡敏感度评价精度得到明显提高,同时,基于改进算法的BP神经网络模型的拟合精度高于传统BP神经网络模型的拟合精度。