随着遥感技术越发成熟,可获取到更加高的遥感数据分辨率。遥感具有获取信息的速度快、周期短、可探测范围广以及受条件限制少等特点,因而遥感图像被广泛应用于各个领域,如勘测国土资源以及城市道路网的更新等。道路作为城市建设的重要一环,它的精准提取与识别可以为城市道路网快速更新、交通发展、汽车精准导航、城市规划以及基础地理信息数据库的更新等带来非常重要的意义。所以道路的精准识别提取变得尤为重要,从上世纪七十年代开始,国内外相继开展了从遥感图像中提取道路信息的研究。但是道路在高分辨率遥感影像中的表现形式比较复杂,使高分辨率遥感道路的提取和识别工作变得颇为困难。目前大多数道路提取技术在一定程度上还存在算法稳健性差、识别精度不高等问题,因此遥感图像道路提取和识别仍然是目前业界研究的热点,具有十分重要的学术价值和应用前景。本文在分析和研究了已有浅层机器学习道路提取方法的基础上,结合高分辨率遥感图像的特点,提出了一种改进的Bayes道路分割提取方法,在考虑到遥感图像中的道路会呈现出较为规范的几何特征且容易受周围的环境因素影响例如对噪声非常敏感,算法在使用Bayes进行图像分割前增加了均值漂移滤波处理,均值漂移滤波既能对局部颜色相近的图像进行平滑消除噪声,又能够很好地保持边缘轮廓,滤波后的图像比原图像更加易于识别。接下来利用Bayes分类器根据像素颜色特征对滤波后图像进行识别,即可分割得到道路的大致形态。最后再利用线性形态学滤波器对初步分割的道路图像再次进行处理,可进一步去除不规则区域,得到更为准确的道路分割图像。尽管该方法尽力减低周围噪声的影响,能够在一定程度上解决复杂场景中道路提取的问题,但正确率仍然不够高,同时鲁棒性不强,泛化能力不足。在遥感图像中道路虽为条带状,但几何形态多变,也不具有固定的色彩或纹理特征,因而道路特征提取十分困难,这使得依赖人工提取特征的传统浅层机器学习方法难以在复杂场景中取得良好的道路提取效果。近年来深度学习和卷积神经网络蓬勃发展,利用卷积网络进行特征提取在很多方面已经超越了人工特征提取方法。鉴于此,本文进一步研究了基于卷积神经网络的道路提取方法。通过卷积网络向下采样获得图像的局部特征,全连接层分类道路以及非道路,引入激活函数sigmoid将全连接层输出的像素值大小控制在0和1之间,并由此表示道路和非道路的概率。卷积网络的效果比之前的Bayes有改进,但是还是不够完美。卷积网络在下采样的过程中模糊了边缘信息。为了解决这一问题,本文还提出另一种深层次网络模型:生成式对抗神经网络的道路识别,其网络架构主要包含编码器网络和解码器网络,在每层下采样过程中会结合前一层信息进行卷积和池化,其核心思想是使生成网络和判断网络形成一个互为“博弈”的概念,上下采样互相影响互相制约,最终得到一个动态稳定的状态;另外,在生成网络G中引入了残差网络机制,优化了原GAN网络。这两种深度学习方法皆可排除对噪声的影响,并且加强了代码的鲁棒性和泛华能力。同时生成式对抗网络在复杂场景下分割精度也能保持不错的道路识别水平,不失为一个不错的分类器。