近几年来,深度卷积神经网络被广泛地应用于解决各种计算机视觉问题,并且在图像分类、目标检测和语义分割等多个任务中展现了非常好的性能,遥感图像路网提取也依托于深度学习这项技术并取得了新的突破。常规的图像大多以地面为参照系,图像中物体的方向是确定的,而遥感图像是从遥远的空中获取的,图像中的物体具有各个朝向,并且由于长距离的拍摄,图像中的目标通常会很小。遥感图像中的道路蜿蜒曲折,交错纵横,具有道路尺度不均衡,正负样本不均衡,空间分布不均衡的特点。由于这些问题,一些在常规图像上效果显著的方法在遥感数据集上效果不明显,需要对这些方法做出有针对性的改变以适应遥感图像。通道注意力以及自注意力机制被用于路网提取任务中,旨在让神经网络自适应地关注遥感道路区域,增强对道路部分深度特征的提取和利用能力。遥感道路交点部分的信息对道路连通性有重要影响,并且道路边缘提取可以进一步优化。因此,遥感道路自身的特点在设计实验时也应该被充分考虑。本文提出的工作均是在当前主流的U型编码解码网络基础上结合遥感道路自身特点做出的进一步改进:（1）本文的第一项工作在编码阶段对特征提取模块进行改进并在解码阶段设计了区域注意力模块,将其命名为双路网络模块（Dual Branch Network Module,DBNM）和区域注意力网络模块（Regional Attention Network Module,RANM）。尽管Inception增强了特征提取能力,方形卷积核提取的深度特征仍然具有相似性。DBNM基于U型网络的编码器,增加一条分支,旨在将非对称卷积提取的特征整合在不同尺度的特征图中以加强道路部分的特征表达。此外,遥感图像中的道路在某一区域比较密集而在其他区域比较稀疏,这种现象使得常规的通道注意力机制在路网提取任务上效果不明显。为此,RANM引入参数ε将不同尺度特征图划分成ε×ε的区域,并根据每个区域中道路的分布情况赋予不同的注意力权重。这种双路区域注意力编解码网络一定程度上提升了遥感图像路网提取任务的像素级精度指标与连通性指标。（2）本文的第二项工作将关注焦点转移到多任务协同中。遥感道路的主体部分易于提取而边缘像素的预测还有待提高。此外,遥感图像中的道路具有交叉路口的信息,这一信息与道路的连通性有所关联。传统的基于深度学习的路网提取采用二值分割的方式将道路目标与背景分离。尽管大部分现有工作采用了更为复杂的特征提取结构以及引入了注意力机制,其本质上还是对道路主体部分的提取,并且多路提取网络所提取的特征性质是相同的,造成了模型过大和推断性能降低的问题。本文的第二项工作考虑到上述弊端,采用多任务深度学习框架,在原有的道路提取主干网络基础上,引入边缘分支网络模块（Boundary Branch Network Module,BBNM）和交点分支网络模块（Intersection Branch Network Module,IBNM）从而构建更具代表性的特征图。三个分支分别关注道路主体、道路边缘和道路交点,并在编解码网络中不同尺度的特征图上进行结合,从而规避了多路网络中各支路相似的冗余特征提取操作,实现多任务协同改善路网提取性能的目的。