贫民窟（非正规居住区）的出现和扩大的原因是复杂的,其中重要原因之一是人口快速增长。当城市化和城市增长速度慢于人口增长速度时,地方当局因此难以做出反应并提供足够的正规居住区区,从而导致贫民窟的出现或扩增。遥感图像在贫民窟分类和绘图任务中是有用数据之一。从遥感图像中,可以提取一些重要的物理或功能特征,例如植被覆盖,建筑特色等。同时,影像纹理特征也有助于区分非正式和正式居住区。目前已有多种多光谱图像分析技术应用于贫民窟遥感研究,可分为两大类。在传统的机器学习框架下的算法可归类为浅层学习方法。例如基于对象的影像分析算法,基于纹理的贫民窟制图等。与之相对的是深度学习方法。深度学习方法利用人工神经网络,自动在训练中提取特征。卷积神经网络（CNN）是一种基于卷积的人工神经网络,目前广泛应用于遥感领域。大多数贫民窟研究都使用具有特定结构的全连接CNN,有些也利用迁移学习并尝试将多个数据源组合在一起,例如光学影像和SAR数据。所有这些都表明人工神经网络在贫民窟分类中也很强大。本论文研究测试了利用多级图像特征训练的不同分类器的性能。“多级”是指特征的抽象程度。从CNN学习到的特征被认为是深层特征,而其他传统的预定义图像特征被视为浅层特征。这些特征被同时用于贫民窟分类中。本研究的主要发现是,引入基于领域知识的预定义特征能提高分类器的性能。这意味着当基于领域知识的特征和基于深度学习的特征结合在一起时分类器的性能最高。然而,当神经网络有足够的信息可供学习时,这种提高不很明显。这可能意味着CNN在贫民窟分类问题上表现更好,因为它能够学习到区分度更佳的深度特征,从而大大改善了结果。其次,虽然基于深度学习的特征在贫民窟分类中可能区分度更高,但人工选择的特征相比较来说也具有不一样的优势。基于深度学习的特征足够强大,能很好地区分非正式和正式居住区,但缺乏直接和清晰的解释性;预定义的人工特征则很容易从语义上解释。引入预定义的人工选择特征可以从一定程度上提高整体模型的可解释性。