地下煤炭的开采引起的地面沉降,给当地政府、煤炭企业和矿区群众带来了一系列的问题。开采沉陷监测作为解决这些问题的基础,受到众多的学者关注。随着测量技术的发展,越来越多的新技术应用于开采沉陷监测上,其中能够全天候进行大面积形变监测的InSAR技术迅速成为研究的热点。然而受到InSAR技术自身的限制,在监测单个工作面在短时间内引起的地面沉降(称之为沉降漏斗)时,存在很多问题,如沉降漏斗的位置难以确定,相位解缠精度不高等。针对这些问题,本文进行了以下研究工作:1)详细介绍了 InSAR形变监测的原理,对常用的几种相位解缠方法的原理进行了阐述,并分析了 InSAR技术在矿区沉降监测中存在的影响因素。2)针对在大幅宽的InSAR干涉图中,沉降漏斗的位置难以确定的问题,提出一种基于HOG(方向梯度直方图)特征的沉降漏斗检测模型,通过搜集不同干涉图中的沉降漏斗构建样本集,利用SVM(支持向量机)建立初步的检测模型。在此基础上,利用沉降漏斗相干值较低的特点,优化检测结果,提升检测结果的可靠性。在实验测试中的结果表明,该检测模型能够有效地检测出干涉图中的沉降漏斗,设定的相干值阈值能够显著改善检测结果质量。3)针对InSAR矿区沉降监测中,由于地表条件,时间失相干等引起的干涉条纹间断或缺失的问题,提出一种基于U-Net神经网络的相位解缠算法。算法首先使用训练好的神经网络对干涉图进行边缘提取,得到干涉条纹的边界信息,接着进行边缘细化与边缘连接操作,得到完整的干涉条纹边界。在条纹的内部计算相位跃变数,并在干涉图中的对应位置加减2π乘以相位跃变数以实现相位解缠。选取了不同质量的干涉图进行实验,将实验结果与其他常用的相位解缠方法进行对比,证明该方法能够解决由于干涉条纹间断或缺失造成的无法准确解缠的问题,可以提高InSAR矿区沉降监测的可靠性。