随着我国经济持续增长,城乡基础建设方面取得进一步发展,道路交通网络的更新也愈发的频繁与快速。高分辨率遥感影像数据作为服务于现代社会信息化生产的一种重要科技手段,如何利用该项技术实现实时化、自动化的交通道路网提取成为了遥感应用研究领域的一个重要研究内容,对城市地理信息系统自动更新、城市道路规划、车辆卫星导航等有着巨大的经济价值和深远的研究意义。近年来,作为人工智能计算机视觉领域备受关注的一个研究课题,深度学习相比于传统机器学习方法表现出了十分优越的图像分割效果与潜力。随着遥感分辨率不断提高,图像中所包含的信息越来越丰富,深度学习的对数据深层次信息的挖掘能力使得其在遥感影像的道路提取研究中逐渐占据主流。本文对基于深度学习的遥感图像道路自动化提取进行了较系统的深入分析研究,主要工作如下:（1）针对遥感影像道路数据集中正负样本数量比例不协调的问题,对语义分割中常用到的损失函数进行改进,将二元交叉熵（Binary Cross Entropy,BCE）和Dice系数搭配,组合成了一种更适应道路提取任务需要的新损失函数,并通过图表对这两种损失函数loss值的迭代变化关系进行直观展示。（2）借助深度学习理论对编解码网络进行完善,提出了一种基于多尺度特征卷积神经网络的高分遥感影像道路提取方法。在网络编码部分使用残差网络（Residual Network）替代原始U-Net中的VGG编码网络,利用残差网络模块（ResNet Block）的结构特点防止网络层不断加深时可能会发生的梯度爆炸现象,并在网络中心引入膨胀卷积模块（Dilated Convolutional Module）,增强原有网络的多特征提取能力。本文基于Pytorch深度学习框架,以马萨诸塞州道路数据集（Massachusetts Roads Dataset）为训练样本,对基于原始U-Net模型和基于多尺度特征卷积神经网络模型进行训练,实验证明在网络中加入Res Net模块和膨胀卷积模块后,改进后的网络在精确率（Precision）、召回率（Recall）、F1等指标上分别提升了2%、10%、9%。（3）针对提出的多尺度卷积神经网络在面对复杂场景时提取结果出现断裂、不完整现象的问题,通过引入空间池化金字塔（Spatial Pooling Pyramid）和注意力机制（Attention Mechanism,AM）对其做二次改进,强化了特征提取网络的泛化能力,在第三章采用的三项指标上,相比原始的U-Net网络提升了4%、13%、14%。