近年来，随着高分辨率遥感卫星、成像雷达以及无人驾驶飞机的相继出现，遥感(remote sensing)与地理信息系统(Geography Information System，GIS)一体化成为蓬勃发展的新兴技术领域。道路作为重要的人造地物是现代地理信息系统的主体，具有重要的地理、政治、经济以及军事意义。遥感影像道路识别(road recognition for remote sensing imagery)技术是一种利用现代信息处理方法对遥感影像(remote sensing imagery)进行分析和识别的技术，在车辆导航系统、城市规划、灾难管理和交通管理系统中扮演着十分重要的角色。　　传统的遥感影像道路识别方法需要在已知道路先验信息的条件下，通过建立道路描述模型来检测图像中可能存在的道路，然后采用机器学习方法对候选道路种类进行识别。这种方法往往计算复杂度较高、目标识别率较低。基于显著性的图像识别方法可以在复杂背景中快速定位显著性区域，为目标检测提供初始区域和位置等参考信息，因而计算复杂度较低，并能显著提高目标识别率。遥感影像中的道路通常具有明显的几何特征，而现有的显著性模型(saliency model)一般采用几种常用的视觉特征用于显著度计算。很显然，如果直接利用已有的显著性模型进行道路识别，效果并不理想。　　为此，论文基于显著性模型的先进思想，结合遥感影像中道路特有的显著性特征，开展基于多级框架显著性的遥感影像道路识别技术研究。具体研究内容包括以下几个部分:　　(1)构建了一种遥感影像道路显著性模型　　根据遥感影像中道路的特有特征，构建了一个面向遥感影像的道路显著性模型。首先提取遥感影像的颜色、亮度、方向和边缘显著性特征;然后经过归一化融合得到道路显著图;最后基于道路显著图，采用区域生长算法检测图像的道路区域。实验结果表明，采用道路显著性模型可以比较准确地检测出遥感影像中的道路区域。　　(2)提出了一种基于多级框架显著性特征的遥感影像道路网络提取方法　　针对遥感影像中包含大量的地物特征，背景干扰十分强烈的特点，提出采用多级框架模式计算显著性特征，来提取道路网络。在第一级框架中，采用奇异值分解(Singular Value Decomposition，SVD)和聚类算法，提取道路的边缘与区域显著性特征，将两种特征融合后，得到初始道路网络;在第二级框架中，采用一系列的后处理优化算法去除初始道路网络中的噪声和非道路干扰，提高道路网络的正确率和完整率。实验结果表明，所提方法可以进一步优化道路网络，显著提高了道路网络提取的准确率。　　(3)实现了一个基于增量学习算法的遥感影像道路识别系统　　考虑到遥感影像数量不断增多，且道路结构经常发生改变的特点，采用增量学习(incremental learning)算法实现了一个遥感道路影像识别系统。首先利用支持向量机（Support Vector Machine，SVM）初步检测遥感影像中是否包含道路信息，并去除非道路信息的遥感影像;然后采用增量学习算法对遥感影像中的道路种类进行识别，将道路分为城市道路、公路和山村道路。实验结果表明，所提方法在遥感影像道路识别率和识别时间上，都优于传统的“一次性”学习识别方法。