为了更好地利用光学遥感影像对滑坡进行识别，提取更清晰的滑坡形状信息，本文提出了一种形状增强深度自注意力网络(ShapeFormer)。该模型使用编码-解码神经网络架构，在编码器部分引入金字塔深度自注意力网络作为特征提取器，用于获取不同尺度下滑坡的光谱特征和空间特征，有利于小滑坡信息的保护。同时设计一种形状特征提取分支，该分支基于边缘注意力机制，利用相邻网络特征之间的差异信息来增强滑坡边界信息，保证了滑坡边缘的提取效果。最后将形状特征和尺度特征进行叠加，以提高网络的特征表示。在解码器部分，使用反卷积将不同尺度的特征进行组合，逐渐恢复组合特征的原始分辨率，并利用跳跃连接保存提取细节。本文在毕节数据集和尼泊尔数据集两个具有不同光谱和空间特征的滑坡检测公共数据集上对所提出的ShapeFormer与现有方法进行了对比，在F1分数与交并比（IoU）两种评价指标上均取得最优结果，表明该方法在多源光学遥感数据的滑坡检测领域具有应用潜力。

高分辨率、遥感影像、地表覆盖分类、卷积神经网络、注意力机制,滑坡检测