从一幅图像中分割出具有“网络”形式(即相交在交点的分支)的对象，这一问题来自多个领域的应用要求。例如，遥感图像中道路和河流网络的分割，以及医学图像中血管网络的分割。从遥感图像中检测道路对很多应用都至关重要。近些年，随着小于米级别的商业超高分辨率(very high resolution，VHR)图像的出现，为遥感图像的信息提取带来新的契机。但也带来很多困难，这导致已有的道路提取算法的失效。　　 本论文的目标是开发和验证鲁棒的方法，从密集城区的VHR光学卫星图像中半自动地提取道路网络。VHR图像本身很复杂，而且网络区域可能有任意的拓扑，所以这是一个难题。我们的模型构造于最新提出的高阶主动轮廓(higher-order active contour，HOAC)相位场框架的基础上。与文献中的工作相比，我们做出以下两点主要贡献。从应用的角度看，向着VHR光学卫星图像的自动道路提取系统的实现迈进一大步。从模型的角度看，构造新的用于网络建模的HOAC能量，引入不同类型的形状先验，并对模型进行多分辨率分析。　　 本论文首先简要地介绍我们要处理的问题，然后给出在主动轮廓和道路提取领域的综述。接下来的章节详细地介绍我们的方法、实现及结果：　　 ①为了处理VHR图像中存在信息的复杂性，第四章提出多分辨率统计数据模型，以及多分辨率约束的先验模型。它们都可以综合从粗略分辨率剑精确分辨率的分割结果。　　 ②第五章，在道路地图更新的特例中，提出特定先验模型，它是从过时的地理信息系统(GIS)数字地图中导出得到的。HOAC模型描述道路网络通用的几何形状，而这一特定先验项可以平衡这一通用先验知识的作用。　　 ③然而，传统的HOAC模型存在一个严重局限：网络分支宽度被约束为网络分支的最大曲率半径，从而对直且窄的分支，或者高度弯曲且宽的分支不能有效建模。为了解决这个问题，第六章引入两个新的模型：一个带有额外的非线性非局部HOAC项，而另一个带有额外的线性非局部HOAC项。　　 两者都可对分支宽度和分支曲率实现分离控制，从而在相同宽度的条件下提供更好的延伸性。但是，线性项有着更多的优点。从计算角度来看，它效率更高；而且它能够同时对多个宽度建模。为了解决这些模型的参数选择这一难题，对一个给定宽度的长杆，我们分析这些能量的稳定性条件，并说明如何严格地选择能量函数的参数。　　 在VHR快鸟((≌)0.61m/像素)卫星图像上的实验，以及与其它算法的比较，显示出我们模型的优越性。