道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要。遥感图像数据已经迅速成为自动提取道路网络的主要数据源,它可以提供高精度的地面信息以及更复杂的背景细节,还可以进行大规模的道路监控,给道路提取带来了很大的改进空间,然而目前视觉判读仍然是更新道路的主要方式,这种方式成本高、需要耗费大量的时间和物力,给自动提取道路任务带来了影响。高分辨率遥感图像中的道路具有较大的类内差异和较小的类间差异的异形结构区域,即复杂的道路结构特征,并且道路会被建筑物阴影和树木造成视觉遮挡,从而两者特征之间差异不明显,进而不能准确反映道路信息。传统道路提取方法虽然可以在部分区域取得高质量的道路提取结果,但是往往过度依赖所选择的特征。以上这些问题增加了遥感图像自动提取道路的难度。深度学习的快速发展,为遥感图像处理开辟了新的研究方向,它可以通过在样本中的学习,提取不同层次的图像特征,以便对输入图像中的研究对象更深入的学习。本文应用深度学习的方法从高分辨率遥感图像中自动、快速、高效地提取道路,论文研究的主要工作有:（1）针对高分辨率遥感图像中道路被树木、建筑物阴影等遮挡造成道路提取不连续的情况,将注意力机制引入到卷积神经网络中,扩大网络的感受野,结合道路的上下文信息,选择对任务贡献大的特征,抑制不相关的语义歧义,能够显著的提升遥感图像道路提取模型的性能。（2）为了进一步改善遥感图像道路提取情况,并且轻量化网络模型,本文提出了一种轻量级卷积注意神经网络模型。该模型在卷积神经网络中添加空间通道注意力机制,从空间和通道两个维度对特征进行加权,选择对任务有用的道路特征,抑制或者弱化无关语义特征,减轻网络对低层特征的过分割,从而提升道路提取模型的性能。另外,为了使遥感图像道路提取模型应用于实际生活成为可能,在网络中引入深度可分离卷积轻量化模型,使其能够在不影响实际性能的情况下,更快的预测出遥感图像中的道路。（3）编程实现“高分辨率遥感图像道路自动提取系统”,设计可视化界面,方便用户操作。该系统集成了本文所涉及的所有遥感图像道路模型,系统可以直观地对比各种算法的道路提取效果,实现快速、准确地从高分辨率遥感图像中提取出道路。