地貌是自然地理环境的基本要素之一,对自然地貌的提取和分类等研究一直以来都是地理学和地貌学研究的热点,同时也是数字地形分析领域的核心议题之一。近年来,面向对象影像分析(Object-based image analysis,OBIA)的研究范式逐渐被诸多研究所采用,以提升地物分类与提取及分布模式等相关研究的准确度与效率。作为OBIA研究范式的核心与基础,影像分割对于提取精度有着直接影响。然而现有的分割方法多利用影像的光谱特征面向城市地物(建筑物、公路等)提取的目标而设计,这类地物通常具有较为规则且明确的边界或者区分度较高的光谱信息。与这些地物有所不同的是,自然地貌实体往往边界模糊渐变且通常内蕴丰富的地形特征,难以直观地通过影像进行分辨,尤其是微地貌,例如黄土陷穴、黄土浅沟等,不仅分布模式更加离散,且面积通常很小,因此对其进行准确的提取和识别对影像分割策略提出了更高的要求。此外,基于分割对象的特征提取是OBIA研究范式的另一个重要组成部分。以往在面向地貌提取与分类的相关研究中较常采用光谱特征、空间形状特征以及纹理特征等。但这些特征均是基于特征工程的浅层特征,通常仅能表征影像数据的浅层基本信息,鲁棒性不足。以深度卷积神经网络为代表的深度学习具有由浅入深的特征提取机制,提取得到的特征鲁棒性更强。因此,已有学者尝试基于深度学习方法提取深度特征辅助进行遥感影像分类和提取的研究,并取得了良好的研究成果。如何利用深度学习方法更深层次的挖掘地形特征,可望能进一步提升提取精度。本文针对现有研究的不足,基于高分辨率地形数据,融合面向对象影像分析范式、数字地形分析和深度学习方法,构建了一套融合地形特征的多尺度影像分割、优化和精度评价以及基于深度学习的地形特征构建的微地貌提取方法框架,并以黄土微地貌提取为实例进行了研究,取得了相应的成果。本文的主要研究内容和结论如下:(1)分析了黄土微地貌的基本概念、分类体系和基本特征。梳理了现有面向对象影像分析范式在对自然地貌实体提取中的不足,指出融合地形特征对于提升提取精度的必要性。进而,对常用分割方法进行了归纳,在基于图论的研究视角下,针对加权聚合分割中的对象相似度算子进行了基于地形特征嵌入的重建,进一步地提出了融合地形特征的T-SWA多尺度分割策略,克服了 MRS分割方法需要大量调参的不足。同时,扩展了基于不一致性的分割精度评价方法,提出了能够融合几何不一致和数量不一致的综合指标,面积数量比指数(ANI),对分割结果进行了有效评价,从定性和定量的角度分析了 T-SWA分割方法相较MRS在精度上的优势。(2)分析了分割优化的影响因素,以及分割对象达到最优的条件,并指出对象内部异质性是对分割优化最重要的影响因素。同时,本文总结了现有分割优化的方法后发现,非监督的优化方案相对更为合理。进而提出了流域划分嵌入式的非监督分割优化方法。该方法能够综合量化对象内同质性和对象间异质性。实验结果表明优化后的分割结果在精度上要高于原始各层级的分割结果。(3)基于深度学习理论提出了地形特征的构建方法,并利用特征金字塔网络研究了深度地形特征的融合策略。分析了深度地形特征与常用浅层特征即形状特征、光谱特征和地形特征的组合方式对提取的影响。实验发现光谱特征和深度地形特征的组合能够获得相对最高的精度。此外,本文对影响卷积神经网络的参数进行了讨论。实验表明,过多的卷积核并不利于提取精度的提升;3层和4层金字塔是较为适宜的网络结构。(4)为验证提取方法的有效性,以黄土陷穴、坡面切沟和浅沟为案例,选取了陇西黄土高原的三个子流域以及绥德窑家湾,安塞纸坊沟小流域,进行实例验证。结果表明黄土陷穴的提取精度均可达到90%左右,坡面切沟和浅沟的提取精度也在80%左右。本文通过融合地形特征,提出了一套更高效的分割和基于对象的特征提取策略,改进了现有OBIA研究范式,从而实现了对典型黄土微地貌的高精度提取。本文研究是综合运用数字地形分析和影像分析方法解决自然地貌实体提取的典型案例,研究结果可为研究区内水土保持的规划与治理提供技术支撑。