遥感图像的道路提取对于GIS数据更新、地图绘制、路径分析等具有重要意义。随着计算机技术和卫星等航天技术的发展,遥感图像的获取越来越容易,图像中的地物越来越清晰。这为道路提取提供了丰富的地面信息,但同时也带来了复杂背景的干扰,如道路周围的树木、城市建筑物、道路上的车辆等,使得道路提取存在一定的难度。传统的道路提取方法主要是基于人工操作实现的,该方法在复杂背景干扰下提取效果较差。针对这一问题,本文主要从以下四个方面研究了如何有效地利用大量高分辨率遥感图像进行道路提取:(1)研究了常用的传统道路提取方法,通过对卷积神经网络(CNN)理论的学习,分析了将其应用在道路提取中的优势。它具有层次化的结构和超强的学习表达能力,能够从海量的数据中自动提取道路的特征,适用于复杂背景环境下的道路提取。本文将卷积神经网络引入到道路提取中,在比较了不同分割网络的区别后,本文选择了一种高效的语义分割网络—LinkNet。(2)构建了不同背景下的数据集,主要覆盖泰国、印度、印度尼西亚等国家,包括城市、乡村、荒郊、海滨、热带雨林等多个场景。并在深度学习平台PyTorch上训练调整参数,使用该数据集训练了Unet网络和LinkNet网络,基于Unet模型的准确率比传统的基于K-means的道路提取的准确率提升15%以上。(3)对Unet和LinkNet模型的提取结果进行分析。由于道路特征提取过程中图像信息的不完整性,导致了提取结果中道路不连续、道路中出现斑点、空洞、等情况。本文在LinkNet编码器部分引入深度残差网络ResNet50来代替原来的ResNet18,通过增加层数来学习更多的图像特征。同时在LinkNet的中心区域引入空洞卷积,这样可以在增大图像感受视野的同时而不会降低图像的分辨率。(4)在损失函数方面,本文用二元交叉熵损失函数代替了之前的平方差损失函数,可以去除掉在网络传播过程中学习函数的影响。同时在训练的过程中,针对正负样本不平衡的问题(图像中的道路面积远小于背景区域的面积),本文在二元交叉熵损失函数的基础上引入Dice系数,将两者一起作为新的损失函数。本文在实验中对比了四种道路提取的方法:基于K-means的传统方法、基于Unet模型的道路提取、基于LinkNet模型的道路提取、在LinkNet基础上改进的深度残差网和空洞卷积以及对损失函数改进的方法,在本文的数据集上进行实验,其准确率分别为:73.6%、88.1%、92.5%、93.9%,实验结果表明本文提出的道路提取方法在其中准确率最高。