道路信息是规划或修缮道路交通的重要内容，也是道路交通逐渐向智能化、自动化方向发展的基础。随着遥感技术的发展，遥感影像逐渐成为了获取道路信息的主要手段。而如何从遥感影像中快速、高效、自动的获取道路信息已成为了遥感领域内的热门话题。近年来，深度学习算法将遥感大数据与计算机图像处理技术相结合获取道路信息取得了很大的进展，但仍存在一定的不足。从现有的算法中分析可知，深度学习算法获取道路的信息还存在着细节特征丢失、边缘模糊、路段不连续以及拓扑结构发生错误等现象。因此，基于现有的算法之上，本文提出了两种方法的改进：一是基于空洞卷积改进的U-Net算法提取遥感影像上的道路信息；二是基于密集连接改进的U-Net算法提取遥感影像上的道路信息。在不同数据集下进行训练模型得到的实验结果表明：空洞卷积U-Net和密集连接U-Net模型的精度指标Recall、Precision、F1-score均高达82%以上，甚至在CasNetDataSet数据集下高达到92%以上。具体内容和取得的成果如下：
　　①建立了遥感影像道路数据集。为了增强网络的泛化性和普适性，本文自制了贵阳市南明区和白云区的遥感影像道路数据集，介绍了其过程和数据增强。同时搜集公开遥感影像道路数据集进行对比验证。实验表明：网络的泛化性和普适性依赖于样本数据集的多样性。样本数据的类型越多，对于同类型的数据的适应性就很强，提取的效果就很好。
　　②基于空洞卷积和密集连接两种方法改进的U-Net算法。1）以U-Net为基础网络，抽离出其中间的层卷积网络改为不同扩张率的空洞卷积构建的多尺度特征提取模块来获取道路特征的多尺度信息。实验结果表明：提高了网络对道路细节特征的获取以及对边缘模糊特征的改善。2）以密集连接网络的密集连接方式来取代U-Net网络的卷积网络，加强特征间的传播、增强特征的使用率。实验结果表明：该网络能够在一定程度上对路段不连续的改进，从而增强网络的拓扑结构。
　　③开发遥感影像道路自动提取原型系统。为了方便在实际生产中用户的使用，将以上两种改进算法训练出的模型集成包装在用户界面，该用户界面中包括选择影像的文件打开、道路预测及其结果展示等。