本文利用BP神经网络解决道路网中指标多且模糊的问题,改善道路网选取的效果,为后续的并行化做准备,并研究stroke的构建算法,以更好地描述道路网的网络层次结构。本文是国家自然科学基金项目(41071288)“基于网络层次结构分解的地图综合并行计算方法研究”的重要研究内容。地图制图综合是地图学和GIS领域的研究热点,但却是没有攻克的研究领域,究其原因,地图综合中大量问题是模糊性的,无法用确定的数学模型和公式描述,从理论上讲,要解决地图自动综合的问题,应该从智能化方法上寻找突破口。智能化的地图综合研究关键是地图综合知识的形式化表达和获取,而这个是目前的难点。用于地图综合知识获取的人工智能技术众多,人工神经网络作为一种重要的人工智能技术,在地图综合中有巨大的应用前景。利用BP神经网络进行道路网选取研究,以多比例尺道路网选取结果作为训练样本。研究并回顾了道路网选取的研究成果和方法,以stroke作为选取的基本单元,研究并改进了stroke的构建方法。综合考虑道路网的几何、语义和拓扑属性。选择长度、度中心性、介中心性和紧密度中心性四个指标作为道路网选取的指标和BP神经网络的输入量,得出一个适用于道路重要性估算的BP神经网络结构。最后在计算stroke重要性资格的基础上,利用“选取原则”对stroke进行定额选取。本文的实验数据来源于美国国家地图集中的道路网数据,有国道、州际道路和州内道路,包括两个比例尺1：100万和1：200万的道路网数据,且1：200万道路网是通过1：100万道路网综合而成。选用俄亥俄州道路网中部分道路作为训练样本,通过神经网络的训练,发现一个单隐层,8个神经元的神经网络训练效果最好,误差最低,适用于stroke的重要性估算。根据不同类型的道路网如格网式、放射式和自由式道路网,分别进行实例验证,且最后利用伊利诺斯州的所有道路网作整体实验。通过实例验证,证明本文方法对道路网的整体结构保持、连通性保持和道路网密度保持较好。表明BP神经网络能有效解决道路网中指标多且模糊的问题,且这种以多比例尺数据产生训练样本的做法是可取的,可供其他研究者借鉴。