道路作为高分辨率遥感图像中的重要目标，在人们的生产和生活中发挥着十分重要的作用。由于在路网更新、车辆导航和智能交通等应用市场存在巨大潜力，高分辨率遥感图像道路提取得到了国内外研究人员的广泛关注。近年来，有关高分辨率遥感图像道路提取的研究取得了较大进展，但其性能仍无法达到应用要求。高分辨率遥感图像道路提取主要面临如下几方面的难点:(1)树木、车辆、高楼阴影等多种形式的遮挡并存，导致现有道路提取方法的鲁棒性不高;(2)“同物异谱”现象和“同谱异物”现象导致现有方法漏检率和虚警率较高。另外，现有的道路中心线提取方法难以获得准确、平滑、完整且单像素宽度的道路中心线。　　本文围绕高分辨率遥感图像道路区域及其中心线提取开展相关研究工作。针对现有方法的不足，本文提出了相应的解决方案。本文的主要研究内容和贡献如下:　　(i)提出了两种基于图割的高分辨率遥感图像道路区域提取方法。 a）针对现有方法无法获得光滑连贯的道路区域提取结果这一缺陷，引入了一种基于概率传播图割方法的道路提取方法。该方法可以有效地将光谱信息和空间信息进行结合。同时，构建了一种基于几何先验的非道路目标剔除方法，可以有效地剔除所得结果中的非道路目标。b）为了克服传统图割方法在图像分割任务中存在的过分割和欠分割问题，引入了一种基于多特征自适应图割方法的道路提取方法。该方法根据图像中的边缘信息自适应地确定图割方法中区域项和边界项的相对权重，可以获得比传统方法更优的道路提取结果。对比实验验证了所提两种方法的有效性。　　(ii)提出了一种基于多尺度分割与张量投票的道路中心线提取方法。该方法的核心思想是引入基于融合的多尺度协同表示与图割技术来获得精确且连续的道路区域。在此基础上，通过联合应用张量投票方法、非最大值抑制方法和道路中心线补全方法，可获得完整、无毛刺的道路中心线。在视觉效果和数值结果两方面验证了所提方法的有效性。　　(iii)提出了一种基于半监督学习框架的道路中心线提取方法。针对高分辨率遥感图像道路提取任务中带标签样本不易获得这一问题，本文引入了一种基于半监督学习框架的道路提取方法。该方法通过发掘带标签样本与无标签样本之间潜在的结构关系，可以有效地将标签向无标签样本传播。在此基础上，引入了一种基于多尺度滤波和多方向非最大值抑制的方法，可获得准确且完整的道路中心线。实验结果表明，本文所提方法优于目前主流道路提取方法。　　(iv)提出了两种基于深度卷积神经网络的自动道路提取方法。a）针对现有的道路检测和中心线提取方法中存在的问题，提出了一种基于端到端级联卷积神经网络的道路区域提取和中心线提取方法。该方法将道路检测网络和中心线提取网络统一到一个学习框架中，并可以实现端到端地训练。在测试阶段，该级联网络可以同时获得道路区域提取结果和平滑的道路中心线。b）根据道路所特有的方向特性和结构特性，提出了一种基于残差网络和方向信息的道路提取方法。所提方法包括两部分:回归网络和分割网络。前者对图像中每条道路方向进行回归，并将所学特征传递到分割网络中;后者通过融合回归网络所学特征及其自身网络所学特征对图像中的区域进行判断，从而可得到平滑连贯的道路区域提取结果。同时，本文将回归网络和分割网络统一到同一个学习框架之中，并可实现端到端地训练。对比实验验证了上述所提两种方法的有效性。