随着我国脱贫攻坚的全面胜利，相对贫困问题成为下一步研究的重点。城市内部相对贫困人群集聚的空间，是城市高质量更新和人居环境改善的重点地区。如何有效识别此类空间?传统的社会经济统计、人口普查数据更新周期长，城市多源数据种类和覆盖范围有限，且它们与城市建成环境特征关联度不大，不能为人居环境高质量更新提供研判基础。街道图像数据更新周期短且覆盖尺度小，能及时有效地反映出街道周边地区的社会经济和建成环境特征。本研究以广州市中心城区79个街道813个居委会为案例，尝试辅助利用多源大数据，基于结果导向的卷积神经网络对海量街景图片进行深度学习，构建居委会尺度下的相对贫困空间识别与预测模型，实证表明该方法具备较好的可行性。本研究有助于高质量城市更新地块甄别，有针对性地制定精细化更新空间政策。