自然灾害的频频发生对人们的生活造成了严重影响。灾害应急救援的关键是找到最优救援路径,因此在灾难发生后能够迅速地找到可连通路径,成为了重要研究内容。基于遥感技术的道路信息提取技术可应用于本场景,然而遥感图像的更新频率过低,及可能受云层影响,无法提供应急救援级别的图像。而无人机作为一种便捷的高科技手段,能够实时获取灾害场景视频,并实时回传数据,因此急需基于无人机视频分析的道路提取技术的研究。本课题首先结合结合传统方法及机器学习方法来提取道路,然后结合深度学习的方法定位受损道路的地理位置信息。在提取道路信息方面,传统方法往往针对单一类别、或单一场景的图像,如基于数学形态学的方法,Hough变换和P-Value的方法。基于机器学习的提取方法常常受限于训练集过少、及训练时间过长的问题。因此,本课题提出结合传统方法及机器学习方法来对道路进行提取,从而互补解决了两类方法的缺点。在道路定位方面,我们的主要任务是输入一张灾难后的图像,获得其在卫星地图中的位置。本课题中,我们通过无人机拍摄图像,并人工模拟灾后导致道路障碍的图片。以往相关的研究针对于特征明显的场景有较好的效果,如用SIFT的人工特征。然而,面对灾后大量特征缺失,我们需要得到更深层次的特征。因此,本课题提出用Alex Net网络分别提取图片对的特征,通过孪生网络的结构进行特征比对,最后利用基准图的地理信息,将卫星地图上的地理位置输出。基于所提出的方法,本课题解决了道路提取中使用传统方法的识别局限性问题,同时也解决了机器学习方法中可能因为数据量少导致过拟合和训练时间过长导致灾难救援中的道路识别慢的问题;另一方面,深度学习提取的特征在对比手工特征,有很大的优势,因此利用深度学习来完成我们的定位目标是有意义的。同时,也展现了无人机在救灾场景中运用的优势。因此,我们的课题有着重要的理论意义和实际意义。