滑坡识别与提取在灾后救援和风险评估中具有重要作用。考虑到现有基于卷积神经网络的滑坡识别方法难以挖掘全局长距离依赖关系，本研究提出一种新颖的多尺度特征融合场景解析框架，通过将卷积神经网络与Transformer相结合，来学习滑坡的局部和全局特征。在编码器中，本研究构建了视觉几何、残差学习和Transformer三个模块，以挖掘多尺度特征。具体来说，视觉几何模块和残差学习模块均是基于卷积操作构建，主要通过学习低级和中级信息来探索局部特征；Transformer模块则基于自注意机制构建，以学习长距离依赖关系。在解码器中，视觉几何模块和Transformer模块进一步扩展，以深度融合来自多个尺度的特征，从而激励模型挖掘长距离依赖关系和详细的空间位置信息。实验证明，本研究提出的滑坡识别方法优于现有深度学习方法。滑坡识别与提取在灾后救援和风险评估中具有重要作用。考虑到现有基于卷积神经网络的滑坡识别方法难以挖掘全局长距离依赖关系，本研究提出一种新颖的多尺度特征融合场景解析框架，通过将卷积神经网络与Transformer相结合，来学习滑坡的局部和全局特征。在编码器中，本研究构建了视觉几何、残差学习和Transformer三个模块，以挖掘多尺度特征。具体来说，视觉几何模块和残差学习模块均是基于卷积操作构建，主要通过学习低级和中级信息来探索局部特征；Transformer模块则基于自注意机制构建，以学习长距离依赖关系。在解码器中，视觉几何模块和Transformer模块进一步扩展，以深度融合来自多个尺度的特征，从而激励模型挖掘长距离依赖关系和详细的空间位置信息。实验证明，本研究提出的滑坡识别方法优于现有深度学习方法。

滑坡识别,深度学习,特征挖掘,特征融合,高分辨率遥感影像