随着大数据时代的来临,各种遥感探测卫星陆续发射升空,获取遥感影像变得容易起来,而对遥感影像中感兴趣的目标进行提取就成了研究的热点。道路是现代交通体系的主体,具有重要的地理、政治、经济意义。从高分辨率遥感影像中对道路进行提取在地图绘制,灾后救援等方面有着广泛的应用。人工智能的发展使得从遥感图像中快速、准确地提取道路成为可能。近些年来,卷积神经网络在语音识别,图像识别领域表现出色,在此基础上产生了全卷积神经网络,该模型能够对图像中的特定信息进行提取,故选择其作为本文的道路提取模型,并对其进行了改进。本文以中国-尼泊尔公路为研究区,以国产高分辨率遥感卫星数据为基础,建立了卷积网络道路分类模型和全卷积神经网络道路提取模型。由于研究区地形复杂,道路蜿蜒曲折,创新性地加入了数字高程信息来加强模型的提取能力,并对原有的FCN模型进行改进,设计了一种多特征的全卷积神经网络模型,使得模型能够同时提取道路的光谱特征和地形特征。具体的研究内容如下:一、对遥感数据进行预处理,本文选择高分二号和ASTER GDEM数据作为模型的输入。先对高分二号高分辨率遥感数据进行正射校正,图像配准,其次,对高分二号的全色波段(1m)和多光谱波段(4m)进行数据融合,得到1m分辨率的多光谱图像;随后对ASTER GDEM数据(30m)进行坡度、坡向提取,将结果插值成1m分辨率,并与高分二号图像进行通道合并,得到一个包含RGB、坡度、坡向和高程信息的六通道图像。二、为了适应网络的输入,将六通道图像切割成100×100大小,制作成数据集。由于数据集中包含大量非道路图片,设计了一种基于卷积神经网络的道路分类模型,将包含道路的图像筛选出来,节省了大量对非道路图像的提取时间。三、设计了一种基于多特征全卷积神经网络的复杂地形下道路提取模型。首先对FCN不同的特征融合方式进行对比,选择出FCN-32s、FCN-16s和FCN-8s中效果最好的一种。之后对FCN模型进行改进,删除部分卷积层,并结合ASTER GDEM数据,提出了一种多特征的全卷积神经网络模型,该模型能够处理多通道数据,同时提取光谱特征和地形特征,在山地道路提取中表现出色。实验对比结果表明,改进后的模型大大提高了效率和道路提取的准确性。