道路作为遥感图像中最基础的地物要素,一直是各国专家学者研究的热点与难点。其所处场景的多样化导致基于浅层特征的传统方法的通用性降低,随着深度学习在计算机视觉领域的应用,遥感图像道路提取任务进入基于深层抽象特征的深度学习时代,并且基于道路自身的特点不断改进。其中在2018年的全球卫星图像道路提取挑战赛（Deep Globe Road Extraction Challenge）取得最高分的D-Link Net网络模型,在原Link Net网络模型的基础上通过引入的空洞卷积模块方式将道路提取结果优化。但道路提取结果依旧存在连通性与准确性问题。本文针对以上两个问题分别进行研究,提出了改进的Link Net遥感道路提取模型DD-Link Net（Densely D-Link Net）,改进主要包括以下两个方面:（1）对于道路提取的连通性问题,本文认为是其引入的空洞卷积模块所形成的感受野还不够密集,获得的特征尺度过少,无法充分利用提取到的特征像素引起的。因此对D-Link Net网络模型中的空洞卷积模块进行了改进,将原空洞卷积模块中以串联方式连接的空洞卷积层修改为密集型连接,即将每层空洞卷积输出的特征数据作为其后所有空洞卷积层的输入的特征数据,使得每个中间接收特征数据的神经元可以获得更多尺度的语义信息进行处理,最终对形成的覆盖更密集的多尺度特征进行融合,以改善道路提取的连通性。（2）对于道路提取的准确性问题,本文认为是其在训练过程中使用的联合损失函数对误差的评估不准确引起的。因此对D-Link Net网络模型中的BCE loss与Dice loss联合损失函数进行改进,获得新的Focal loss与Dice loss的联合损失函数以优化训练过程中误差计算的准确性,其中Focal loss迫使模型可以更好地学习难分类的像素,以改善道路提取的准确性。最终在公开的马塞诸塞州道路数据集上对Link Net、D-Link Net、本文提出的DDLink Net以及其余语义分割网络U-Net、Seg Net、U-Net++与Deep Lab V3+进行对比实验,从道路提取结果来看,本文提出的网络模型的确在道路提取的连通性与准确性上优于原始网络,其中Io U相对于Link Net网络提升0.0365,相对于D-Link Net网络提升0.032,F1相对于Link Net网络提升3.9%,相对于D-Link Net提升3.54%。