地震及其次生灾害的发生,对人类社会造成十分巨大的危害,道路交通的破坏影响灾后现场灾情调查、救灾物资投放和救援工作开展,因此,震后快速高效的获取灾区的道路损毁信息至关重要。一方面,遥感技术不受地面条件限制,能够快速高效获取灾区的影像;另一方面,随着遥感技术的发展,我们能够获取越来越高分辨率的卫星和航空影像数据,能够更加清晰的反映出震后道路损毁信息。目前国内外开展了很多基于震后高分遥感影像提取道路损毁信息的研究,传统的目视解译方法虽然准确性高,但是需要耗费大量的人力物力,效率低,不能满足震后应急时效性的要求;计算机辅助的道路震害提取方法能够高效地得到震后宏观全面的信息,但其自动化程度、准确性和迁移性方面还与实际应用需求存在一定距离。深度学习可以根据图像特点,自动建立研究对象的提取模型,在图像处理领域成功应用。但深度学习应用于震后道路灾害提取的研究较少,并且已有的深度学习方法存在着不能充分利用图像的上下文信息和样本类别不平衡的问题。因此,开展基于深度学习的遥感道路损毁信息的提取,对快速获取震后道路损毁信息具有十分重要的意义。论文基于深度学习模型的样本数据集,构建了Deeplabv3+道路提取模型,分析研究了模型迭代次数和训练样本量对模型性能的影响,与目前使用较多的深度学习全卷积神经网络比较得出Deeplabv3+具有更高的准确率,并建立的Deeplabv3+模型应用于道路损毁信息提取中。分别选用鲁甸地震后2米分辨率的GF-1卫星影像和芦山地震后0.2米分辨率的无人机影像,进行Deeplabv3+模型震后损毁道路信息提取和模型迁移实验。实验证明,基于震后高分遥感影像的Deeplabv3+道路损毁提取模型,具有较好的准确性和迁移性,震后可以快速有效获取道路损毁信息,能为抗震救灾提供有效的支持。本文主要研究内容如下:(1)震后高分遥感影像损毁道路信息提取方法的总结和分析。经国内外文献调研发现,目前已经提出的自动或半自动化的道路震害信息提取算法和技术取得了一定的成效,在一定程度上克服了时效性的问题,但是这些方法在进行遥感图像道路提取的过程中,图像像素的上下文信息往往被忽略,不能比较精细的识别道路损毁信息,精度也有待进一步提升;在此基础上分析了深度学习方法在完好道路提取上的应用研究,针对目前存在的问题,提出基于Deeplabv3+模型的高分遥感影像道路损毁信息提取方法。(2)基于Deeplabv3+模型和FCN模型的道路信息提取实验。首先从理论上对常用的深度学习网络进行对比分析,得出Deeplabv3+模型对影像做像素级语义分割效果更好;然后选取236景全色分辨率为3.2米,多光谱分辨率为0.8米的BJ-2卫星影像数据,对获取影像做校正、融合和镶嵌等预处理,制作模型样本数据集,共获得10754对大小为500500?像元的3通道图像对用于模型训练和检验;基于样本集分别构建了Deeplabv3+模型和FCN模型,并进一步分析了训练样本量对模型性能的影响,确定了Deeplabv3+模型最优迭代次数;对两个深度学习模型进行对比实验,Deeplabv3+模型总精度达到96%,Kappa系数为0.866,FCN模型总精度达到83.6%,Kappa系数为0.734,实验证明Deeplabv3+模型具有较高的准确性。(3)基于Deeplabv3+模型的多源高分遥感影像道路损毁信息提取实验。采用训练后的Deeplabv3+模型,分别以鲁甸地震和芦山地震为例,检验Deeplabv3+模型的震后损毁道路提取精度和模型的可迁移性。震后鲁甸县龙井村分辨率为2米的GF-1卫星影像,影像目视解译道路完全损毁中断点有23处,模型提取道路完全损毁点有25处,其中有3处模型将非损毁点识别为损毁点,1处损毁点未识别出,Deeplabv3+模型提取的精度为83%;模型对震后宝盛乡分辨率0.2米的无人机遥感影像提取道路总长度为4464.7米,目视解译长度为5057.5米,模型提取的完整道路长度为4018米,受损路段长度为446.7米,识别不准确道路总长度为85米,模型道路提取精度为88%。论文所建立的Deeplabv3+模型应用到分辨率高于训练样本和低于训练样本的高分遥感影像损毁道路,都得到较高的的准确率,模型的迁移性较好。