山区防灾减灾是保障当地居民人身安全的重要工作,而聚落是人类聚集、居住、工作、生活的主要场所,是山区防灾减灾工作的主体对象。在灾前预防阶段进行域内地理信息分析、应急预案制定;在灾后救援阶段进行救援线路规划、人员配置安排等防灾救灾的具体工作,都需要精确的聚落信息作为主要支撑,因此准确掌握区域内聚落的所在位置、规模及其分布情况等信息对于做好山区防灾减灾工作非常重要。但在地理位置偏远、交通不便、人员稀少的山区中,传统获取聚落信息的人工调绘方法非常耗费人力、物力、资金及时间,针对这些问题本文基于遥感影像及深度学习语义分割技术,探索如何有效进行山区聚落信息提取,主要工作如下:一是针对山区聚落体量小、十分分散导致遥感影像中正负样本严重不平衡的问题,给出Copy-Fusion策略。由于山区聚落总体上呈“大分散、小聚集”的分布状况,使得数据集中正样本的数量远远少于负样本数量,经统计在2.2米分辨率的山区聚落房屋遥感数据集中正样本仅占整体像素的1.470%,使得分割难度大大提高。本文将Copy-Fusion策略应用于数据集制作和预处理阶段,将影像内单个聚落房屋提取并随机Copy到影像内非房屋及水系的位置,Copy期间使用Fusion方法对边缘进行融合处理,使房屋更接近真实情况。Copy-Fusion过程中会设置停止阈值,当影像中正样本比例达到一定量时停止。实验证明该策略能有效提高语义分割精度。二是针对山区房屋分割困难的问题,给出VU-Net网络。相比大多数数据集1米以上超高分辨影像,2.2米分辨率影像清晰度较低、图像信息较少、分割难度较大,为解决该问题给出VU-Net网络用于提高语义分割精度。网络主要在U-Net网络基础上,使用VGG骨干网络替换原有的网络编码器,提高网络对图像的特征提取能力。实验结果表明,VU-Net网络的分割精度达到81.79%,比Deep Lab V3+、HRNet、Res Net+UNet等主流网络分别高出7.95%、14.82%、6.29%。三是针对聚落定义模糊、难以定量进行划分等问题,本文将房屋作为聚落主体对象,基于房屋语义分割结果使用聚类的方法进行聚落划分。为了能够实现定量计算的聚落划分,本文将一定距离间隔内的房屋集合作为聚落的可量化定义,在较高精度的山区房屋语义分割结果基础上,使用DBSCAN聚类的方法实现山区聚落划分,并对聚落划分结果进行评价。实验结果表明,该方法能够满足基于遥感影像进行大范围聚落划分的现实需求。