我国工业化和城镇化的快速发展,极大地加快了城市固体废物的增长速度。若固体废物缺乏有效管理,随意堆放,便会形成大量无序固废堆场,严重破坏生态,影响人居,加重管理难度。因此,如何高效准确地监测城市固废堆场,对于无序固废堆场的及时整治至关重要,对于提升居民生活舒适性意义重大。然而,传统的基于实地调查的监测手段难以达到高效监测的需求,遥感技术的宏观性、实时性可以为大范围、快速、客观、动态地监测城市无序固废堆场提供新的途径;传统基于人工设计特征的机器学习解译手段智能化程度和泛化能力有限,无法准确适用于复杂的无序固废堆场识别任务。以卷积神经网络为代表的深度学习算法,可以提取图像的高级语义特征,在图像处理领域具有独特的优势。因此,针对本文的任务需求,本文引入深度学习中的实例分割思想,以期可以自动高效地识别无序固废堆场。具体地,本文针对基于实例分割识别固废堆场可能面临的问题,展开了如下研究工作:（1）构建了首个基于实例分割的高分辨率无序固废堆场遥感解译样本集。本文通过人工标注制作了固废堆场实例分割样本,并设计了一种基于谱残差显著性约束的复制粘贴样本增强策略,可以充分避免粘贴时对于重要目标的遮挡,从而有效扩充固废堆场样本的数量和丰富性。实验结果表明,基于本文的增强策略增强后的训练集学习到的模型,在测试集上的F1分数可达75.6%,Io U达到60.8%,相比未采用增强策略训练的模型,本文增强策略F1分数和Io U分别提升了1.6%和2.1%,相比其他增强策略,本文设计的增强策略对于测试性能的提升也更明显。（2）针对无序固废堆场的尺寸分布特点,本文基于K-Means聚类,对Mask R-CNN锚框的尺寸和长宽比进行调整,以期调整后的锚框更加契合固废堆场识别任务。实验结果表明,锚框调整后训练的模型,在测试集上的F1分数和Io U分别达到76.2%和61.6%,相比原始的Mask R-CNN锚框,F1分数和Io U分别提升了0.6%和0.8%,表明本文设计的新的锚框,更契合无序固废堆场识别任务。（3）针对谷歌影像和高分二号影像因传感器分辨率差异,导致训练样本集和测试样本集之间存在数据分布差异,基于训练样本集学习的模型无法高效应用到测试样本集的问题,本文采用域自适应迁移对训练样本集和测试样本集进行一致性优化,从而提升迁移后高分二号影像无序固废堆场的识别性能。经过迁移后的高分二号影像测试集,测试结果F1分数和Io U分别为55.8%和38.7%,相比迁移前的高分二号影像,F1分数和Io U分别提升了8.7%和7.9%,表明域自适应迁移对于高分二号影像上的固废堆场识别性能优化效果显著。