随着大数据与人工智能时代来临,交通安全相关的辅助导航与智能无人驾驶车辆均需要自动进行路况判别的方法,而构建此类方法的数字道路建模与数据识别模型是其实现的基础,本文将探讨一种基于地理信息系统与卷积神经网络的建模方法。文章在前半部分提出一种基于山区公路平纵线形的栅格数据建模方法。首先,通过对既有研究成果的总结,得出了适当的平、纵两种道路线形几何特征的参数状态界定阈值分别为曲线半径小于等于200与坡度值大于等于4%,并依此对数据集标签制定方法做了规定。随后,文章介绍了一种无设计文件时使用的道路平纵线形数据还原方法,此方法基于卫星正射影像与数字高程模型对山区公路数据进行还原处理,并通过提取坐标信息、曲率与坡度值计算、二次归一化等流程获取了包含平纵信息的特征数据。进一步地利用Arc GIS地理信息系统,将上述特征数据先后进行了矢量化与栅格化处理,依据感兴趣区域原理缩小了数据的提取范围,并按照标签制定标准绘制了数据分类标签,最后通过Arc GIS导出工具获取了较大样本量的数据集。至此完成了训练/验证两部分数据集的构造。文章于后半部分引入了卷积神经网络模型以实现对前述数据的识别。首先,介绍了卷积神经网络模型,并归纳了需要进行优化的超参数类别,使用Keras对神经网络模型进行编译,并根据需要重点优化的背景值属性、模型结构、优化器类别三大超参数进行了对比实验设计。随后,依照三组对照实验设计与Keras编码对模型进行实际训练,将结果进行对比分析并按照一定的评分标准将对比的模型进行评分,最终发现微调后的VGG-16卷积神经网络结构配合Adam优化算法能够获得较好的分类结果。最后,使用真实道路设计文件进行道路建模,并构造了评估测试数据集对最终的平、纵线形数据分类模型进行独立测试。统计1000次测试结果显示,平、纵两种模型在正负样本量不一致、数据区分度较好的测试数据上进行随机抽样数据分类时,均能够达到97%以上的平均正确率。