随着深度学习技术的发展,图像识别、机器翻译、智能搜索、数据挖掘等领域取得关键性突破。目前深度学习的数据对象主要集中在图像、音频、视频、文本等视、听感知数据类型,作为位置信息表达的具有几何矢量特征和拓扑结构的地图,有望加入该系列,成为新的专门的深度学习数据类型。深度学习是典型特征和大体量样本数据驱动的,性能强大的深度学习模型需要通过一定规模的具有代表性特征的样本进行训练获得。而目前深度学习领域关于图形数据的样本库主要是基于栅格图像数据,面向于地图矢量数据的深度学习研究具有很大发展潜力,也面临新的挑战,本研究针对该问题开展面向深度学习的地图矢量数据样本库构建方法的研究,从矢量地图样本的特征、结构、建立方法、应用模式等方面对该问题做深入解答。本研究结合深度学习在地图应用上的样本需求,在图论、深度学习、格式塔认知、空间数据库管理等理论技术支持下,研究了一套矢量样本“分类--标注--标准化--特征提取--质量评价--增强”的地图矢量数据样本组织体系。具体地,基于居民地、路网和水系的地图三大要素提出地图矢量样本数据集的组织方法。总结基于人的经验知识与基于认知的矢量样本标记方法,从几何与语义角度讨论对单体样本和群体样本的特征构建方法,从矢量数据拓扑结构一致性、属性正确性的角度探讨了地图矢量样本质量评价的方法。最后,设计并实现了矢量数据库管理与可视化系统,并通过应用验证了矢量样本集的有效性。本研究对建筑物样本按形态区分为E型、F型、L型、T型等单体形式,对于建筑群区分为直线型、曲线型、圆型等建筑物群模式;对于道路设计了放射状、格网状等道路网模式和笔直、弯曲、较弯曲的单条道路形态;针对水系网设计了树枝状、平形状、扇状等河网模式。在样本数据管理与可视化上,研究设计和实现了矢量样本数据库管理与可视化系统,支持矢量样本数据的在线采集、存储、管理、调度及可视化。在应用实验验证上,针对河系网的模式识别在树枝状、平行状、扇状、骨架状和格网状的1500组河网模式样本支持下,构建了图卷积下的河网模式分类学习,分类精度达85%。本研究为地图矢量数据与深度学习结合研究提供支撑。但仍存在不足,由于地图要素的多样性,本研究难以穷尽所有的地图要素体系,因此样本数据分类体系完备性有待提升;此外,深度学习在地图空间的应是地图矢量样本数据体系构建的指导,但由于当前处于二者结合的起步阶段,研究未能对其应用方向进行详细剖析,因此,后续的地图矢量数据样本的构建研究应在应用方向的指导下开展。