针对遥感图像道路提取精度低的问题,利用神经网络强大的特征提取能力,结合遥感数据丰富的空间信息,研究如何从复杂背景下的高分辨率遥感图像中提高道路分割精度。本文将结合深度学习技术解决道路提取任务,在Massachusetts道路数据集和Deep Globe全球卫星图像道路提取比赛数据集进行实验验证,并提出两种基于深度学习框架的道路提取方法,主要研究工作如下:(1)针对高分辨率遥感图像道路预测出现模糊的问题,提高道路分割的准确性和完整性,设计了基于预测网络和细化网络的道路提取方法。首先预测网络先进行初始化预测,其中预测网络中增加了多分支膨胀卷积模型和多核池化模块,目的是增加道路特征的上下文信息和语义信息,提高道路分割的完整性;其次细化网络将优化预测网络的输出结果,改善道路边界模糊的问题;最后获得的训练模型可以进行准确的分类,分割出的结果具有完整的道路结构。(2)针对道路提取精度低的问题,另外提出了一种基于编码器-解码器结构的道路提取方法。考虑到训练中出现过拟合现象,首先对数据集中的训练图像进行数据扩充操作,提高数据的鲁棒性以及模型的泛化能力。设计的网络是一种对称的结构,在网络的最底层增加了基于特征金字塔模型的膨胀卷积模型,用于提取更多的语义信息,目的是为了减少道路信息丢失;其次每层编码器和解码器使用跳连进行信息传递,用于道路特征信息的融合。最后每层解码器使用转置卷积操作,将特征图还原为原始的尺寸,最终训练出准确的道路提取模型。实验结果表明,上述设计的方法在精确率、召回率、F值以及准确率指标上相比于主流算法有明显的提升,获得较高的道路提取精度,具有一定的应用价值。