城市的发展离不开道路网络的建设,而一份精确完整的道路网络地图则是交通导航、路线规划等城市交通活动的重要前提。城市的不断升级改造势必会对城市中的道路网络造成影响,但传统的基于人工测绘的道路网络地图绘制方法存在着周期长、成本高等缺点,因此一个高效、经济的道路网络生成更新方法具有巨大的应用价值。随着移动互联网技术与卫星定位技术的普及,获取移动物体的轨迹变得越来越容易。现如今,大多数汽车都配备了定位和导航设备,这些汽车每天都会产生大量的轨迹数据,这些轨迹数据揭示了道路网络的形状及其演化规律,但由于车辆轨迹数据的获取较为困难,因此生成的道路网络的覆盖率较低。航空航天技术的成熟使得高清遥感图像的获取变得十分容易。高清遥感图像中蕴含着不同层级的道路,但是从高清遥感图像中准确地提取道路网络比较困难,且高清遥感图像的时效性较差。本文结合了这两种数据的优点,提出了两种高效、高精度的道路网络提取算法。首先,本文提出了一种增量学习车辆轨迹并从中提取道路网络的算法。该算法首先对输入的车辆轨迹数据进行预处理,然后通过代表点和连接线段分别记录车辆轨迹中的位置信息和时序信息,最后结合Delaunay三角网和Dijkstra算法增量生成道路网络地图。它不需要已有的道路网络地图作为基础,利用车辆轨迹数据中包含的信息增量生成道路网络地图,道路网络的精度随着轨迹数据的输入不断地提高。其次,基于上述道路信息提出了一个利用卷积神经网络从高清遥感图像中识别道路区域的方法。该方法利用从上述车辆轨迹提取出的道路网络中筛选出精确度较高的区域作为样本的标签集,结合从Google地图中下载的对应区域的遥感图像作为样本集,训练出一个具有区域特色的卷积神经网络模型,接着使用该卷积神经网络模型识别对应区域的高清遥感图像,提取出其中的道路区域。更进一步,卷积神经网络的识别结果与上述车辆轨迹生成道路网络进行合成,合成的道路网络能够互相补足,覆盖范围变得更加广泛。本文提出的基于车辆轨迹的增量式道路网络生成算法和基于高清遥感图像的卷积神经网络识别道路区域算法既可以独立工作,高效地生成各自的道路网络,也可以协同工作,结合两者的优点,得到更加完善的道路网络。