对遥感图像中的道路进行自动识别与分割在地理信息系统数据的更新、土地管理、城市规划、军事打击等不同应用领域都有着十分重要的应用价值。随着科学技术手段日新月异的发展,机器学习和人工智能技术在人们日常生活中的应用更加广泛,如何利用深度学习算法更加高效地解决遥感图像道路分割的难点,提高遥感图像道路分割的精度,简化神经网络训练过程中的难度已经成为各国学者们的重点研究方向。本课题基于深度学习理论并结合可见光遥感图像的特点进行深入研究,受到深度残差网络和U-Net网络结构的启发,结合数据增广手段以及考虑道路结构信息的损失函数,设计了一种用于可见光遥感图像道路分割的方法,同时开发了一套可用于遥感图像道路自动分割任务的可视化系统。具体研究内容如下:（1）遥感道路图像的数据增广方法。由于可用于神经网络训练的卫星图片资源较少,本文通过图像形态变换（随机翻转、缩放等）和HSV空间的图像色彩变换对数据集中的图片进行数据扩增,来确保神经网络有足够的数据集去进行训练。实验的良好结果表明,在数据集资源不充分的情况下,数据增广手段是推动实验有效进行的重要手段。（2）提出了基于残差结构的U-net网络模型。本文采用的神经网络结构使用残差单元代替普通的神经单元作为基本块来构建深度残差U-net网络结构,结合了U-Net网络结构和残差网络结构的优点,减少了神经网络的参数设计,简化了神经网络的训练过程,同时,残差单元内的跳层连接,以及网络的高低层之间的跳层连接可以在不破坏语义信息的情况下促进信息的传播。实验结果在U-net神经网络性能的基础上提升了3%。（3）提出了基于道路结构的加权交叉熵损失函数。普通损失函数对每个像素出现误差的惩罚强度相同。但是结合道路结构考虑,靠近路网的像素出现偏差比远离路网的像素出现偏差的影响应该更大一些。通过计算每个像素到道路区域的最小欧式距离生成不同的权重,将计算所得权重应用在交叉熵损失函数中,从而可以有效地改善所提取的道路结构信息。实验证明用此损失函数监督训练的模型性能方面至少会得到3%的提升。（4）设计并完成了一套遥感图像道路分割的应用系统。基于C/S架构,用户可批量导入图片进行识别。