地震灾害会造成严重的城市建筑结构破坏,及早确定震害区域并对建筑的具体破坏情况做出评估,有利于应急救灾并提升受震区域的抗震防灾能力。利用机器学习算法的大数据分析能力,推进防震减灾数字化,是降低地震灾害损失的有效途径。本文利用卫星图像建立了基于实例分割的密集建筑群建筑类别判定方法,并提出了基于多尺度图像数据的建筑震害智能评估方法。基于多尺度图像数据的深度学习技术,自动提取多类别建筑的图像特征,借鉴视觉注意力机制挖掘了建筑整体及局部损伤图像任务相关区域与其地震破坏等级的映射关系,实现建筑类别快速判定和震害等级精准划分。主要研究内容如下:（1）建立了基于城市遥感图像的深度学习实例分割建筑类别判定方法。依据建筑的高度和跨度几何特征,将其分为高层建筑、多层建筑、低层建筑、公共建筑四个类别,按照各类别建筑对应的卫星图像制作相应的标签数据集。利用多尺度的候选框对整张图像进行目标提取,最终完成在卫星图像中多个建筑的目标识别和类别判定。试验结果表明,经训练后的建筑类别判定模型具有较好的准确度,精度可达到80.98%。方法能够在甄别出城市遥感图像中具有建筑语义信息的像元基础上,逐个完成建筑单体的框选与建筑类型判断。（2）建立了基于建筑整体外观图像的建筑破坏及倒塌判定方法。利用深度学习提取建筑物立面影像,并基于提取到的建筑物立面影像对建筑破坏及倒塌进行判定。引入图像分割深度神经网络,对具有复杂背景的建筑图像其进行图像分割,实现对建筑物整体外观快速准确地提取。而后利用图像分类深度神经网络模型,通过建筑物外立面震害照片将建筑物震后破坏等级分为基本完好、损坏和倒塌,实际震害数据的结果表明方法的准确率可达到90.33%。（3）建立了基于建筑局部损伤图像的建筑震害等级精细智能评估方法,利用震害建筑局部损伤图像数据进一步对损坏建筑进行损伤程度划分。利用图像分割实现图像中损伤区域的聚焦,而后基于图像分类将受到损伤的建筑依据损伤程度进一步区分。试验结果表明方法能够通过建筑局部损伤图像将受损伤建筑划分为轻微损伤、中等损伤和严重损伤。结合建筑破坏及倒塌判定方法,最终形成了基于多尺度图像数据的区域震后建筑破坏等级智能评估方法,实际震害数据的验证结果的准确率为82.37%,并提高了震后调查的自动化程度。