人工智能技术与基因工程和纳米技术一起被认为是二十一世纪的三大尖端技术,对社会的进步和经济发展有着不可估量的作用。深度学习技术作为近年来人工智能技术发展最快也是最有希望技术,在近几年其研究和应用已经达到了井喷的状态,并在许多领域取得了非常好的应用效果。特别是在语音识别和影像识别领域深度学习已经取得了突破性进展,其识别准确率甚至已经超越大部分人类的识别准确率。然而在高分辨率遥感影像道路自动提取方面的相关技术研究虽然已经有大约三十年的历史,并且在这期间有许许多多的道路提取方法被提出,但是由于高分辨率遥感影像复杂的地物环境,目前道路的提取精度和完整性都不尽人意。而基于有着超强学习表达能力的深度学习方法在遥感影像道路识别提取中的相关研究还才刚刚开始。深度学习技术有望使高分辨率遥感影像道路自动提取技术也取得突破性进展。本文应用深度学习的方法对高分辨率遥感影像道路自动提取进行建模,具体研究工作如下:(1)研究和改进了基于全卷积深度学习网络结构自动提取高分辨率遥感影像中的道路的模型。该模型具有对遥感影像进行端到端的道路提取能力,且对输入影像的大小没有限制,不需要人工设计提取特征,也不会像现有深度学习模型需要利用滑动窗口的形式将深度学习与道路提取相结合。该模型在本文试验数据全监督训练后的道路提取平均准确度为86%。(2)研究提出了深度学习道路提取模型小样本训练方法。目前深度学习算法对训练数据库数据量要求太高,往往是几十万以上的级别的数据量才能使深度学习模型有较好的性能表现。为此,本文对训练数据库对深度学习模型性能的影响做了较深入的研究,并提出了小样本训练方法。应用小样本训练方法,本文通过57对原始训练数据对(1)中的道路提取模型重新进行训练后,模型的平均准确度从86%提升到96%,使原始训练样本数量极大减少的同时,模型的性能相比于原有大量训练样本训练后的模型性能不仅没有下降反而还大大提高了。(3)研究了深度学习弱/无监督的学习方法,这些方法包括自编码学习、相似度映射学习、生成对抗学习、循环学习、循环生成对抗学习、噪声学习、对应关系学习等深度学习弱/无监督道路提取算法模型,其目的是为了充分利用大量的无标记的数据进行学习。其中本文提出的基于相似度映射关系的深度学习模型的提取准确度最高,道路平均准确度达到了88%。该方法的提取精度甚至超过了(1)中的全监督训练方法,值得后续继续研究。