道路和建筑物是重要的地物目标,遥感图像道路和建筑物提取是诸如军事侦察、交通导航、市政规划、地理信息系统等诸多应用的前置步骤。道路具有外形细长曲折、连通性复杂、占比很小但跨度较大等特点,导致道路提取任务充满挑战。成片大型建筑物的分割提取已经有了较多的研究工作,但是这些方法并不适用于提取零星分散的小型建筑物。近年来,卷积神经网络被广泛应用于目标检测、图像分割等领域,并在性能上明显优于传统方法。论文采用基于CNN的语义分割技术,对高分辨率遥感影像中道路和孤立小型建筑物提取方法进行了深入研究,主要工作如下:首先,概述了论文相关的关键技术,包括用于图像分类的卷积网络如AlexNex、VGG、GoogLeNet、ResNet等,基于CNN的语义分割技术及各种编码器的变体,用于上下文知识整合的条件随机场、多尺度预测、特征融合等技术。针对道路的长跨度和连通性问题,提出了一种采用扩展卷积和非局域操作的LinkNet变体(D)-(NL)-LinkNet的道路提取方法。在研究了非局域操作最优插入位置和配对函数的最佳选择方法的基础上,将扩展卷积和非局域操作模块插入LinkNet中,并根据二者各自的开启关闭状态组合出三种新的LinkNet变体。在一个道路提取挑战赛训练数据上训练网络,在线提交获得的测试结果证明了所提方法的有效性。针对常规方法在高分辨率影像上提取小型建筑物的难题,提出了一种全连接分割网络ZF-FCN。该网络使用较小的感受野获取更多局部信息,采用较少的最大池化操作避免剧烈的下采样,使用Lovász-Softmax损失解决样本不平衡问题,网络训练更稳定也更好地优化了交并比。构建了一个小规模遥感图像数据集,采用不同切块大小进行数据增强,实验结果表明,ZF-FCN在建筑物提取任务上的表现优于FCN和U-Net。