随着遥感技术的快速发展,高分辨率卫星图像道路提取技术研究已经成为遥感领域里的研究热点。但高分辨率卫星图像道路提取研究由于一些特殊的原因,比如:非道路地物的干扰、道路本身细长的特点等,仍然是一项具有挑战性的任务。本文针对如何准确地从高分辨率卫星图像道路提取进行研究,在基于U-NET神经网络上,提出一种基于改进U-NET神经网络的卫星图像道路提取算法,提高了道路提取精度,为后续的卫星图像道路提取提供了一种新思路。本文具体工作如下:针对道路提取网络模型进行研究。首先介绍了神经网络的主要组成结构以及它们各自的作用;然后,再介绍在语义分割领域里表现出众的几种神经网络模型,并分析了这几种网络模型在道路提取上的优缺点;最后,针对这些缺点,设计一个端到端、融合多尺度和多层次特征信息的网络模型。对提出的改进U-NET网络模型进行实现。首先对训练数据进行预处理;然后;制作数据集并对制作的数据集进行数据增强;最后给出实验结果并进行分析。在改进U-NET网络模型中引入迁移学习方法,提高网络性能,降低过拟合的风险。具体实现:原模型收缩路径上的卷积神经网络替换成在ImageNet数据集预训练的ResNet-34残差网络,这样融合了残差学习和U-NET的多尺度融合的特点,提高了模型的提取准确度。详细介绍了几种主流的学习算法,并对主流的学习算法进行分析比较,使用其中性能最好的学习算法。