从遥感影像中自动提取重要的地理信息是当今社会发展的迫切需求,道路作为地理信息的关键要素,在各行各业都有广泛的应用价值。道路信息的自动提取技术能够极大的降低时间成本和人力成本,是摄影测量与遥感学科一直重点关注的研究方向。国产高分遥感卫星为道路信息提取提供了高质量的数据源,从高分遥感影像中自动提取路网信息是一项意义重大又富有挑战的课题。本论文在深入研究了道路的几何与拓扑特征基础上,利用深度学习强大的泛化能力,提出了两种道路提取算法。(1)为了对道路中心线和边线进行高精度定位,本文提出了一种基于道路显著性预测和宽度估计的遥感影像中心线和边线提取算法。首先训练卷积神经网络(CNN)模型,预测输入遥感影像中道路显著性图和道路宽度图,然后对显著性图进行非极大值抑制(NMS)提取道路中线并进行道路追踪,接着根据提取出的道路中线和预测的道路宽度提取道路双线,最后为了提高道路网的完整性,采用张量投票检测道路交叉点,利用道路交叉点引导道路线基元的感知编组,得到质量更高的道路拓扑结构。(2)上述道路中线与边线提取算法虽然能取得较好的道路提取效果,但需要繁杂的后处理来提高道路网的连通性,提取的道路拓扑结构不够完善。为了提升道路网的连通度,保证道路拓扑结构的完整性,减少繁杂的后处理过程,本文提出基于节点检测与各节点间连接性估计的道路拓扑结构提取算法,该算法用图(28)EVG),((V表示道路节点集合,E表示构建道路网所需的连接节点的边集合)来表示道路网。具体方案为,以遥感影像作为输入,利用CNN预测节点显著性图和节点连接性图,对节点显著性图进行非极大值抑制提取道路节点V,接着以节点连接性图为基础建立节点间连接性估计模型,对不同节点之间的连接性进行量化,以此为基础对道路网进行拓扑重建,推断出构建道路网所需的边E,恢复拓扑结构完整的道路网。最后对提取的道路网进行拓扑修正,实现高分遥感影像高质量道路网的自动提取。实验证明,本文方法对不同场景均有较强适应性,能适应不同道路形态,受建筑物、树木、阴影遮挡的影响相对较小,在提取的完整性更高的路网的同时能够保持较高的正确率。