从卫星图像上自动提取道路网一直是信号与信息处理学科领域尚未解决的一个热门课题。传统的道路网提取算法是基于道路的几何和语义特征的,但道路在高分辨率卫星影像上的表现极为复杂,再加上道路样本污染区域的影响,使自动提取方法面临极大的挑战。本文旨在研究一种基于卷积神经网络的道路区域检测模型和构架一套道路网自动提取流程,对道路样本污染分析并利用道路网拓扑结构信息进行道路拓扑重建,进而填补道路污染区域处缺失的道路。本文针对上述目标,主要提出或实现了如下三种算法:一是基于联合滤波的卫星影像预处理算法。该算法实现了在先验道路结构的导引下进行滤波,在滤除噪声的同时还能增强道路特征信息,为后续的路网提取打下基础。二是基于深度学习的路网自动提取算法。该算法先通过评估由其他道路网提取算法获得的道路段置信度,采集道路样本。再利用卷积神经网络训练样本并建立道路区域检测模型。最后,利用该模型和超像素分割算法快速得到道路区域响应图,并结合联合滤波后的输入影像,使用自适应阈值分割方法得到初始道路区域。三是样本污染分析与基于路网拓扑信息的道路拓扑重建算法。该算法利用路网的拓扑结构信息训练一个能够检测此类潜在道路区域的模型,通过此模型和初始道路网得到潜在道路区域响应图,再结合道路区域响应图构建一个表征道路区域的能量函数,使用图割算法优化该能量函数得到道路区域标记。该算法能够实现基于路网拓扑趋势的道路污染区域的道路网修补。最后,本文使用多种类型的卫星影像对该算法进行了测试,并在两张Ikonos卫星影像上与当前国际主流算法进行比较,在质量指标上高于表现最好的算法三个百分点,其他分项检测结果均达到甚至优于国际同类算法水平。