随着深度学习技术的成熟和智能交通系统的蓬勃发展,基于遥感图像的交通流预测研究越来越受到人们的关注。遥感图像可以直观的描述交通信息,交通流预测与城市交通分配、路径规划、道路管理、地图导航等息息相关。在实际的应用场景中,交通流预测存在着各种各样的挑战。一方面常规的交通信息数据基于物理传感器设备采集,具有设备成本高、数据冗余高、计算成本大和实时性差等问题;另一方面遥感图像上道路拓扑关系难以提取、车辆目标小、背景复杂度高,直接利用遥感图像构建交通信息数据集比较困难。因此,如何有效的利用遥感图像包含的交通信息进行交通流预测具有较大的挑战。本文针对上述问题,提出了一种基于遥感图像的道路提取和道路车辆检测算法、交通信息数据集构建方法,设计了一种基于图网络的交通流预测算法,并在此基础上设计实现了一个基于遥感图像和图网络的交通流预测系统。首先,实现了相关算法,并完成了遥感图像交通信息提取,本文通过改进ASPP结构提高了道路提取精度,并通过高低特征融合和检测抑制算法提高了道路车辆检测的准确率;其次,利用之前提取出的道路和车辆信息,构建了交通信息关系数据集;然后,完成了交通流预测,利用本文提出的能融合时空特征的图网络结构实现了道路交通流的预测。最后,对本文实现的原型系统进行了验证。在实际应用场景中,分别对本文提出的交通信息提取网络和交通流预测方法进行了对比实验,结果表明本文所实现的交通流预测算法具有较好的准确性和实时性,具有可用性,达到预期研究目标。本文研究的将遥感图像和图网络结合起来进行交通流预测的方法,在卫星和智能交通领域有着广阔的应用前景。