道路网作为一种基础地理信息数据,在智慧城市管理、交通运输、车辆导航等众多领域中具有显著的重要性。国产高分卫星数据的丰富和影像质量的提高,为道路网提取提供了充足的研究数据源。利用高分影像提取道路信息的主要问题包括:同物异谱、异物同谱现象导致道路提取精度较低;对于不同地貌条件、不同数据源高分辨率影像算法不具有普适性等。现有道路提取方法主要有人工交互解译、边缘检测、模板匹配等,存在人工干预多,自动化程度低,道路提取规则建立依赖从业人员的专业知识和特征分析能力等问题。针对以上问题,本文首先从理论和实验分析了C4.5决策树算法、深度置信神经网络(Deep Belief Network,DBN)用于道路提取的优缺点;接着,提出了基于C4.5+DBN组合方法道路提取模型,并从不同地貌环境、不同数据源影像等角度验证了新方法的性能;最后对道路提取结果后处理方法、矢量化组网方法进行了研究,并实现了相关算法。通过研究,得到以下主要结论:(1)理论分析和实验结果均表明C4.5决策树和DBN的复杂程度及分类准确性与类别数量密切相关。面向路网提取目标,把类别定义为道路和非道路两类,可以有效降低决策树和DBN的复杂程度;在样本训练过程中,非道路类重点训练对道路有干扰的各类地物,提高道路与干扰地物的区分能力,能更好地提高道路提取效果。(2)C4.5+DBN组合方法,利用C4.5自动建立道路提取规则的优点构建道路候选区,DBN作为智能分类器提取候选区内道路信息,全流程的人工干预主要集中在样本选择,其它部分人工干预少,自动化程度有较大提高。该方法有效利用了DBN的道路特征表达能力,弥补了C4.5方法线性单次特征利用的不足;利用了C4.5训练样本数量少的特点,弥补了DBN对训练样本要求高、网络复杂程度高的不足。本文实验结果表明:相同精度条件下,DBN深度可从10层降为4层,样本需求减少了93%,训练时间减少82%。(3)在道路提取精度方面,本文实验结果表明:C4.5+DBN组合方法与单一C4.5和具有同样网络深度(4层)的DBN单一方法相比,道路虚检率分别下降了62.8%、34%;不同地貌环境、不同数据源、不同分辨率影像的对比实验结果表明,该组合方法具有一定的可迁移性。(4)道路细化、节点提取、曲线拟合等路网矢量化核心算法已编程实现,能自动完成道路矢量化;以shapefile矢量多段线的形式存储,降低了路网信息存储量,方便后续研究的展开。弯道曲率半径自动计算的误差在5%以内,能检测到半径小于12m的弯道。