伴随着国产卫星数据量不断增大,测绘地理空间信息服务需求的不断深入,如何能够高效、准确的从遥感影像数据中提取所需信息是目前该领域的研究热点问题。传统的信息提取算法是建立在大量的特征分析基础上,不仅耗费人力物力财力,而且其地物的表达能力和处理效率具有很大的局限性。针对现有信息提取算法效率低、稳定性差的问题,本文基于深度学习理论,联合膨胀卷积与全卷积构建感知模块,提出“编码-感知-解码”信息提取网络结构,旨在实现高效、准确地信息提取目标。本文主要研究内容主要包括:（1）“编码-感知-解码”卷积神经网络:建模及分析基于深度学习理论中编码-解码（Encoder-Decoder,ED）网络结构,联合膨胀卷积与全卷积构建感知模块,提出“编码-感知-解码”（Encoder-Perception-Decoder,EPD）信息提取网络结构。以神经网络模型为依托,将不同深度卷积层获取的特征定义为深层特征;实现不同深度卷积特征的可视化;以池化层数量定义深层卷积神经网络结构的相对深度。基于影像空间分辨率以及地物实际尺寸,构建遥感影像信息提取网络最优相对深度模型。通过实验及对比分析,合适的深度解译模型能够有效提高遥感影像单类地物的识别能力与表达能力。（2）多尺度端到端编码-感知-解码卷积神经网络:云目标提取算法研究针对遥感影像中云目标识别过程中存在类间差异小与噪声干扰的问题,基于编码-感知-解码网络,本文提出多尺度端到端的编码-感知-解码神经网络云提取算法。该算法是基于全卷积思想,不限制输入数据的尺寸大小,纵向拓宽网络结构,集成不同尺度的卷积特征,进而在上采样解码过程中增加范数约束条件,降低由于尺寸小而导致的边缘锯齿效应问题带来的影响。使用资源3号影像作为实验数据,验证该模型的有效性与鲁棒性。结果表明,该算法能够减少噪声干扰带来的影响,测试数据集提取精度,相比与OTSU法、FCN-8S、UNET、Deeplab算法,本文算法的云目标检测总体精度（Overall Accuracy,OA）相比提高9.76%、3.08%、1.59%和1.48%,同时验证了云的空间深层特征具有良好的线性可分性。（3）改进残差的编码-感知-解码卷积神经网络:道路目标提取算法研究针对遥感影像空间结构复杂导致的道路解译困难以及道路遮挡问题,基于编码-感知-解码网络,本文提出改进残差结构的编码-感知-解码神经网络道路提取算法。该算法主要包括残差卷积神经网络及后处理两部分。首先,基于残差思想,以编码-感知-解码网络结构为基础,利用计算机自主训练学习到任务目标的特征进行道路预提取;其次,利用形态学和张量投票算法作为后处理算法,对网络提取结果进行断裂道路修复。本文选用两组数据集进行实验验证,相比与CNN、UNET、GL-Dense-U-NET其他神经网络算法,本文算法的道路检测总体精度相比平均提高1.86%、0.85%和1.55%;有效改善了道路信息提取精度的同时增强了其拓扑性能。综上所述,本文所提编码-感知-解码神经网络结构用于遥感影像信息提取,方法具有一定的通用性与普适性。在遥感影像大数据背景下,在丰富的已有样本的基础上利用计算机进行模型自主学习,自动化解译精度会逐步得到提高,可大大减轻遥感影像信息人工提取工作量,缩短遥感影像信息提取周期。该研究为国产卫星遥感影像日常质检与专题任务常态化监测提供了技术支撑,也对相关研究具有参考和借鉴作用。该论文有图49幅,表17个,参考文献200篇。