深度学习作为近年来比较热门的研究方法,其应用范围也正朝向多学科交叉领域不断地延伸。高分辨率遥感影像承载着丰富的地物信息。高分遥感影像道路自动提取作为计算机视觉识别领域中重要的任务,在车辆导航、智能交通、城市规划、地图绘制等诸多实际场景中具有很重要的研究价值,一直以来备受国内外专家学者的关注。基于深度学习的道路自动提取相较于传统的道路提取方法,其优势主要体现在能够利用深度网络的学习能力,更加智能化的识别并提取道路的特征信息。本文提出一种端到端的高分遥感影像道路分割网络,该网络能够自动地学习多层次、多尺度的道路特征信息。针对高分遥感影像的道路分割问题,本文提出的A-DLinkNet网络模型在D-LinkNet分割网络的基础之上,引入了一种channel-spatial双注意力模块。该模块通过掩码设定新的权重分布层,将影像中的道路特征标注出来,网络再通过学习及训练获取标注后的道路区域,从而形成注意力。有效地增强道路的特征信息,在一定程度上解决了原始分割网络易出现的“虚检”、“漏检”、“误检”问题。此外,构建了一种基于dice+bce的超参数权重损失函数,按照先验1:1、2:1、3:1、4:1、5:1的权重比例,以F₁-score作为分割网络的评价指标,通过多次试验得出超参数权重比为4:1时,分割网络的性能达到最佳状态。以FCN-8s、U-Net、Deep Labv3+、DANet、D-LinkNet五种分割网络作为外部对比试验,应用于高分遥感影像道路提取任务中,并且分别对其训练过程通过多个评价指标加以分析。遥感影像由于成像质量、拍摄时间等因素的影响,可能会导致在真实数据集上分割网络性能的显著下降。应用一种半监督生成对抗模型,将A-DLinkNet作为该模型的生成器网络,全卷积网络作为判别器网络。分别通过生成反馈机制来最小化设定的多任务损失和空间交叉熵损失。该模型在跨数据集条件下,能够显著改善道路提取效果。并且在相同数据集条件下,一定程度上提升了生成网络的道路提取性能。