随着高分辨率遥感技术的发展和普及,影像的空间分辨率、时间分辨率和光谱分辨率越来越高,不同级别、不同层次道路的细节信息变得愈加丰富。高分辨率影像已成为智慧城市建设中道路信息提取与更新的重要数据源。高分辨率影像上除了道路信息外,还有建筑物、植被遮挡、路面移动目标等大量非道路信息,即干扰信息。同时道路在高分辨率影像上表现出许多复杂特征,不同类型道路的色彩特征、宽度等差异明显,这些都给道路提取研究带来了困难。因此如何高效准确地提取出高分辨率影像上的道路一直国内外学者关注的研究热点和难点。针对上述问题,本文拟从多尺度分割、种子点选取、道路特征提取和计算、构建SVM分类器、数学形态学以及融合多结果方法等多途径来提取并优化道路结果。具体研究工作内容如下:（1）对于包含城市道路但背景较为复杂的高分辨率影像,影像分割尺度对于影像分类和道路提取至关重要,单一分割尺度并不能很好的进行多种地物的分类,因此本文采用SLIC超像素分割和DBSCAN基于密度的聚类进行多种尺度的分割,并对道路和非道路的种子点进行选取和采样,通过计算两类种子点的特征比如光谱特征、形状特征和纹理特征,以作为SVM分类器的训练样本,进而对同一副影像不同分割尺度下进行道路和非道路的分类划分,提取出对复杂背景下更适用的多尺度道路结果,实现了SVM分类提取道路。（2）对于包含乡镇、立交桥道路、高架道路且等背景较为简单的高分辨率影像,为了提高提取效率,本文以小样本量,以灰度处理、阈值分割和中值滤波等为预处理,采用并实现了基于数学形态学自动提取道路的方法,包括形态学里的腐蚀、膨胀、闭运算和开运算,实现了对乡镇道路、立交桥道路和高架道路的自动提取。以及对上述多尺度分割的SVM分类的道路提取进行了后处理,基本去除了非道路的图斑,修补了道路孔洞,平滑和优化了道路结果。（3）为了使多尺度分割和SVM分类提取道路的结果互相弥补缺陷,本文创新性的提出了基于Sugeno的模糊积分融合道路结果的优化算法,根据多尺度分割和SVM分类的道路提取方法中提取出的道路概率影像的质量权重,进行了模糊积分的融合,并利用上述研究和实现的数学形态学后处理方法对融合结果进行了优化,实验表明该道路结果融合的算法相比多尺度分割和SVM分类的道路提取结果能够更为准确地提取出道路,且道路结果质量更高。