自从美国在1972年发射了地球上首颗陆地观测卫星以来,包括图像处理、分类、融合和理解在内的各种遥感图像处理技术迅速发展。高分辨率遥感图像被广泛应用于各个领域,包括:城市发展规划、基础地理信息绘图、环境监测和评估、精准农业和公共信息服务等。遥感图像最主要的应用目标是提取感兴趣目标的信息,然后识别该信息以完成图像理解。道路是交通运输的主干和基本方式,对人类文明的发展提供了许多的支持。道路提取研究对于交通管理具有重要意义,包括城市规划、道路监控、GPS导航、地图更新、图像注册等。对高分辨率遥感卫星图像进行道路提取不仅是一个挑战性极大的研究方向,而且它还具有极大的研究价值。在本文中,主要研究的是用卷积神经网络对高分遥感图像道路进行分割提取。改进卷积神经网络模型,用呼和浩特城市遥感图像道路数据集对神经网络进行训练。本文的主要内容和结论如下:(1)经典卷积神经网络模型存在输出图像的分辨率降低,图像上的信息丢失过多,提取的信息不够和参数过多等缺点。所以本文引入反卷积的概念,将神经网络的全连接层去掉,用卷积层替代,并在卷积层之后使用反卷积层。反卷积的存在不仅减少了参数数量,而且能召回丢失的信息,使得输出图像分辨率和原始图像一样大。(2)基于卷积神经网络的高分辨率遥感图像自动道路提取:在本文中,本文制作了中国内蒙古呼和浩特地区的城市道路遥感数据集,训练本文所提出的卷积神经网络,提取城市道路。(3)在实验过程中,本文研究了学习率、batch_size等超参数对模型精度以及训练时间的影响。然后选择最优模型实验结果可知:本文所改进的卷积神经网络模型在训练集的提取精度达到了93.2%，在验证集的精度达到了90.1%。(4)使用该模型对遥感图像道路进行提取,并与其它模型方法的提取效果进行对比。(5)本文通过对神经网络训练过程中卷积层图像特征的可视化了解神经网络的图像特征提取过程。