道路作为重要的人工地物和基础的地理数据,一直是地图更新的重点目标,道路信息的提取既是重点也是难点。从遥感图像上提取道路网,比较有代表性的类型是基于分类和基于模板匹配的方法。在基于分类的方法中,面向对象分类,其准确性和形态精确性受限于图像分割等技术环节;而最新出现的深度学习技术则需要大样本训练,对样本量和质量均有较高的要求。另一方面,模板匹配技术利用用户设定的模板进行图像目标的相似性匹配和搜索实现目标的识别与提取,可以避免分割带来的误差;但模板匹配方法往往需要手工设定模板,操作繁琐,在大范围遥感图像匹配任务上难以保证模板的完备性和普适性。本文针对现有道路网提取技术存在的不足,结合面向对象、深度学习以及模板匹配技术,实现高空间分辨率遥感影像中道路网的自动提取。论文的主要工作如下:(1)基于面向对象的深度学习分类实现道路网粗提设计了适用于深度学习分类的样本库,并通过样本库训练得到深度学习分类模型。在道路网分类提取中,首先通过硬边界约束的图像分割,获取面状特征基元,而后设计面基元内图像块投票表决的方式实现基元深度分类。其次提取分类图层中的道路要素,进行骨架计算和规则筛选,得到初始骨架路网。(2)基于自动模板匹配的道路网精化针对初始骨架路网存在形态上不精确,位置上有偏移等缺陷,以初始骨架路网为基准,自动生成道路初始模板;引入刚性模板匹配与可变形模板匹配两种模板匹配技术,对道路骨架进行形态和位置上的修正,并形成双线道路作为最终提取结果。选择不同传感器、不同环境背景的多景高空间分辨率遥感影像为实验数据源进行了方法测试。实验结果表明,针对不同环境背景下的道路,其中刚性模板匹配对于乡村区域的道路定位精度较高,而可变形模板匹配技术则对背景复杂的城市区域定位精度较高。实际使用需综合考虑道路所处的背景环境,选择合适的模板匹配方式进行道路网精化。综合看来,通过结合面向对象、深度学习以及模板匹配技术,方法能够准确提取影像中的主干道路信息,具有较高的提取精度,且由于不需要手工选取道路模板,方法自动化程度较高。