Urban canyon klassificering spelar en viktig roll i att analysera effekterna av urban canyon geometri på urban morfologi och mikroklimat. Befintliga klassificeringsmetoder som använder bildförhållanden kräver ett stort antal fältundersökningar, som ofta är dyra och mödosamma. Dessutom är det svårt för dessa metoder att hantera den komplexa geometrin hos gatukanjoner, vilket ofta krävs av specifika applikationer. För att övervinna dessa svårigheter utvecklar vi en klassificeringsmetod för street canyon med offentligt tillgängliga Google Street View-bilder (GSV). Vår metod är inspirerad av de senaste framstegen inom djup multitask-lärande baserat på tätt anslutna konvolutionella nätverk (DenseNets) och skräddarsydda för flera street canyon-klassificering, dvs h/W-baserad (Nivå 1), symmetribaserad (nivå 2) och komplex-geometribaserad (nivå 3) klassificeringar. Vi genomförde en serie experiment för att verifiera den föreslagna metoden. Först, med Hong Kong-området som ett exempel, uppnådde metoden en noggrannhet på 89,3%, 86,6% respektive 86,1% för de tre nivåerna. Även med hjälp av fältundersökningsdata som grund sanning, fick det cirka 80% för olika nivåer. Sedan testade vi vår förskolade modell i fem andra städer och jämförde resultaten med traditionella metoder. Systemets överförbarhet och effektivitet visades. Slutligen, för att berika representationen av mer komplicerad gatgeometri, kan tillvägagångssättet separat generera tematiska kartor över gatukanjoner på flera nivåer för att bättre underlätta mikroklimatiska studier i högdensitetsbyggda miljöer. De utvecklade teknikerna för klassificering och kartläggning av gatukanjoner ger ett kostnadseffektivt verktyg för att studera effekterna av komplex och utvecklande Urban kanjongeometri på mikroklimatförändringar.