为应对全球气候变化问题,世界各国提出了各自的绿色发展目标,以减少温室气体排放。在城市空间中,绿色出行是实现节能减排的重要手段之一。以步行、骑行为主的低碳出行逐渐成为城市中短距离通行的重要交通方式,用户对非机动车道的数字化信息提出了迫切需求。然而,传统道路地图只体现机动车道路信息,缺乏面向绿色出行的非机动车道路数据的表达。因此,信息丰富、现势性高的众源地图数据平台Open Street Map（OSM）成为非机动车道用户的主要地图数据获取来源。但是,OSM数据是由广大志愿者协同进行绘制,数据生产过程缺乏严格的质量控制手段,导致数据中存在着数据缺失等质量问题。而众源街景影像数据作为一种由用户使用任意拍摄设备沿街记录的影像数据,能够覆盖商业街景数据采集车无法通行的公园、山地、自行车道等非机动车道道路场景。这些数据所记录的GPS轨迹信息反映了真实世界的路网的形态结构,同时,拍摄的影像信息中又蕴含了大量与道路相关的语义信息,能够用于丰富已有的OSM路网数据。然而,不同来源的地理数据信息互补而可交互性差,多元信息挖掘及融合需求迫切。因此,本文以众源街景影像数据为研究对象,围绕从众源街景影像数据中提取自行车路网几何及属性信息,并对提取路网数据与OSM路网数据融合处理进行研究,为用户提供更为完善的自行车道路数据资料,为多源异构的众源地理数据挖掘与融合处理方法提供理论和基础支撑。本文完成的主要工作包括以下几个方面:1.针对众源街景影像数据相关概念进行介绍。在介绍众源街景影像数据产生历程后,对比了众源街景影像数据与商业街景影像数据的差异,分析了两类数据的优缺点。然后,对于目前众源街景数据的发展状况进行了详细的介绍。主要分析了众源街景数据平台Mapillary数据的发展趋势以及用户社群的发展状况。2.利用众源街景影像数据提取自行车路网。首先,提出了基于出行模式的众源街景影像序列数据的分类方法,对轨迹数据提取运动及几何特征,并通过集成学习分类器实现众源街景影像轨迹序列出行模式识别。然后,提出基于栅格化的路网提取方法,从轨迹分类模型得到的不同出行模式的轨迹数据中提取自行车路网数据。3.对于OSM路网属性数据缺失的问题,研究从众源街景影像数据提取交通标识信息作为道路属性信息。首先,对于深度学习的基本理论知识介绍,阐述深度学习方法相比传统方法的优势。然后对于目前主流的基于深度学习的目标检测模型进行介绍,并在此基础上,提出了基于改进YOLOv3模型以及浅层分类网络的交通标识检测、识别模型。最后,通过轨迹匹配方法,将所提取到的属性信息赋值给生成自行车路网。4.针对OSM自行车路网与生成自行车路网道路细节层次的差异,导致路网匹配困难的问题,提出了相应的解决办法。首先,提出了基于多边形的多车道检测及简化方法。在提取多车道多边形的形状、拓扑特征后,使用集成学习分类器,实现OSM自行车路网数据中多车道道路的识别。然后,通过栅格化方法将多车道道路简化为道路中心线。最后构建基于“结点-弧段”的匹配方法,在对生成自行车路网进行处理后,对简化后的OSM自行车路网与生成自行车路网进行同名实体匹配。