道路提取一直是图像处理领域中的热点研究课题,伴随着遥感技术的出现和其快速发展,成像技术和道路提取的方法也在日新月异,使得图像的分辨率大幅提升,遥感图像的最高分辨率可以低于1m,获取方式也越来越简单。这为高分辨率遥感图像中的道路提取提供了极大的便利,同时高分辨率图像中存在着纷繁复杂的数据信息,也造成了道路网络的提取困难。因此,传统的单一算法无法有效地提取道路信息;而由于在不同类别的场景图像中,图像具有不同的特性,所需要的道路提取算法也就不同。故此,本文提出了一种图像增强算法和两种道路提取算法,具体内容如下。（1）图像增强是图像预处理中的重要一环,因此提出一种突出道路信息的增强算法,减少其他地物对道路的干扰。使用随机投影深度函数获取图像深度值,将深度值按照离中心数据点的远近进行排序,获得深度场图像。在该排序中道路数据点的集合总是在远离中心点的地方,因此根据这一特性可以有效地增强道路信息。（2）在乡村道路场景图像中,由于地物较少,图像简单,可以使用分割算法快速提取道路,因此在分割过程中,针对传统分水岭算法存在的过分割问题,通过修改梯度图像的方式对算法进行改进,使用随机投影深度函数对图像预处理,然后将道路信息突显出来。再获取梯度图像,使用自适应阈值算法获取阈值,获得二值图像,进行标号,最后使用分水岭算法进行分割。通过进行对比实验可以看出:在图像分割过程中该算法可以很好地抑制过分割现象,分割效果较好。（3）在城镇道路场景下,地物较多且复杂,上述分割算法无法快速有效提取道路,故将MRF和SVM算法结合进行道路提取。为了克服SVM算法本身对小样本数据容易被错误分类的缺陷,在深度场图像中增强道路信息后,使用MRF进行初始分类来改进SVM算法本身的不足。并对核函数进行改进,使用合成多项式核函数有效地根据道路特征空间内的不同特征,对提取结果的影响进行加权综合,对MRF分割后的道路信息图像进一步分类提取道路信息。使用数学形态学的算法对提取后的道路进行优化,去除非道路区域以及将道路区域进行修复填补,将提取的道路区域更加完整和光滑,最后使用骨架提取算法获取完整的道路网络。通过对比实验结果的定量定性分析,证明了该算法的可行性。