图像是人们获取外界信息的重要媒介。尤其是在当今这个大数据的时代,图像对于人们的日常生活、科学研究都有着十分重要的作用。然而图像在记录和传播中难免会受到许多因素的干扰而导致部分信息的缺失。尤其是在等高线地图中,由于其图形结构的特殊性,使其在传播时容易产生断裂的问题。因此研究等高线地图断线连接的问题就有着重要的意义。然而传统的断线连接算法往往有通用性差、连接效果差等局限,因此如何提高等高线断线连接的通用性和连接效果成了如今研究的一个热点问题。而随着近些年来科技的进步以及一些学习算法的快速发展,这为寻找一种智能的方法来处理等高线断线连接问题提供了可能。本文主要研究了如何有效处理等高线地图上的断线问题。重点描述了如何在深度学习模型自动编码机的基础上改进并给出新的断线连接模型MSDAE这个过程。本文的主要工作概括如下。1.对卷积神经网络、深度信任网络和自动编码机这三种经典的深度学习模型进行研究分析。在模型的特点以及应用场景等方面对三种模型进行对比,给出了自动编码机最适合处理恢复问题这个结论。之后对自动编码机的应用思路进行了拓展。通常情况下,人们使用深度学习模型的目的是进行高层特征的训练。而本文将自动编码机的恢复能力直接使用起来,使其不再是一种训练高层特征的预训练模型,而是将其看做是一种恢复模型。2.在自动编码机的基础上进行改进并给出了一种新的断线连接模型,即多方向堆叠去噪自动编码机(multi-direction stacked denoising auto encoder,MSDAE)。在MSDAE模型中主要包括训练和测试两个部分的结构。训练部分的结构包含了四组并行排列的多层结构。每组结构都是由自动编码机改进而成。四组模型在训练时使用了不同的方向信息的样本,这样就使得每一组模型在处理该类样本时具有较强的恢复能力。这种方式有利于最终结果的综合。模型的测试部分给出了一种复合选取结果的方法。即首先综合四个并行模型的结果选出一幅恢复效果最优的地图作为最优效果图。之后再根据输入图、最优效果图以及四个模型的输出结果,通过输出算法得到最终的结果并进行输出。在不同分辨率的等高线断线地图上对MSDAE模型进行连接测试,并将测试结果与最小点对法进行对比分析。实验结果验证了MSDAE模型在处理等高线地图断线连接的问题上具有较好的准确率。