随着我国遥感事业的不断发展,地面接收遥感影像也变得越来越方便,获得的遥感影像中携带的信息为社会各行各业的发展创造了便利的条件。遥感影像在城乡发展规划、环境监测和智慧交通等领域扮演了重要的角色。道路信息作为遥感影像中最常见的地物,在现实生活中意义非凡。经过国内外学者的刻苦专研,相继提出了许多传统影像道路提取的算法,并取得了很多成果。但是,传统的道路提取算法在遥感影像道路提取的结果却很难让人满意,存在正确率低和自动化程度低等问题,无法满足从地物复杂多变的遥感影像中提取道路的需求。因此,遥感影像道路提取技术迫切需要向更快速、更准确、更智能化的方向发展。同时,斑马线作为道路信息的安全标志之一,对交通安全起到至关重要的作用,同样也吸引了不少学者的关注。遥感图像背景复杂、信息冗余、类型多样等特性使得道路提取和斑马线检测也面临着检测精度低的问题,本文使用深度学习的方法设计和搭建了道路提取模型和斑马线检测模型,并在此基础上设计并实现了遥感图像道路信息分析系统。具体工作内容及创新点如下:（1）提出了一种改进的U＿Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U＿Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块（SENet）增强网络通道间的图像特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数的和作为网络的损失函数进行训练,减轻了道路提取任务中的道路和背景不均衡的现象。使用Labelme工具手动标注了从谷歌地球导出的大庆市萨尔图区的遥感影像作为道路检测的数据之一,然后使用数据增强方法扩增了大庆市萨尔图区道路数据集和Massachusetts Road数据集。在Massachusetts Road数据集和萨尔图区数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在Massachusett s Road测试集上的精确度、召回率、F1-score和m Io U评价指标分别达到82.5%、77.8%、80.0%及82.1%;在萨尔图区测试集上的准确率、召回率、F1-score和m Io U评价指标分别达到81.3%、75.0%、79.4%和81.6%。在测试影像中对错综交叉的道路具有更好的识别效果。同时,为了使网络适应遥感大图的预测,使用忽略边缘的裁剪拼接方法避免了图像拼接痕迹明显的问题。（2）提出了四通道网络模型的斑马线检测方法。该方法是在研究内容（1）提出的网络模型的基础上进行改进的。斑马线数据集截取自Google Earth,使用Labelme标注。首先,对数据集做灰度处理;然后,对数据集做中值滤波和高斯滤波操作进行图像去噪;最后,采用动态阈值法对去噪后图像进行二值化,动态阈值取值为灰度图和去噪后图的差值的均值,经形态学处理后得到的结果作为图像的第四个通道,合并图像红、绿、蓝和二值化四个通道输入到改进的U＿Net网络进行模型训练。在斑马线测试集上的精确度、召回率、F1-score和平均交并比评价指标分别达到79.8%、75.0%、77.5%及80.1%,实验结果较原三通道网络实验结果有所提升。（3）设计并实现了一个遥感图像道路信息分析系统,适用于道路监管部门对道路面积的统计,同时也可以对斑马线损毁程度进行分析,判断是否需要维护刷漆。该系统充分地使用了深度学习算法,并结合了py Qt5和My SQL技术。通过需求分析,设计了登录、注册、道路检测及面积计算和斑马线检测及磨损度分析等模块。最后通过模拟用户实际操作,使用黑盒测试方法对系统进行了测试,进一步证明了本文所提算法的实用性和有效性。