如何快速、高效、智能地从遥感图像中提取信息一直是目前遥感图像解译的研究重点之一。然而,遥感图像因受噪声以及复杂的地表环境(如高楼、树木等)等因素的影响,传统的遥感图像解译方法的提取精度不高,自动化程度较低。近年来,深度学习技术发展迅猛,基于深度学习的遥感图像信息提取的相关研究取得了一定的进展。然而,目前遥感图像上的信息提取研究主要在某一特定空间尺度下进行。在不同空间尺度下,地物的影像特征会有所变化,单一深度学习模型难以适应不同空间尺度的信息提取。针对以上问题,提出一种基于深度学习的遥感图像自适应提取方法,并以道路为例开展工作。具体研究工作如下:(1)遥感图像空间尺度的智能判识基于在线遥感图像的层级定义,建立遥感图像空间尺度定量化方法。以天地图为瓦片数据来源,建立在线遥感图像空间尺度判识样本库。以深度学习为手段,基于卷积神经网络(CNN),实现遥感图像空间尺度的智能判识。通过研究发现,判识层级为14-18的地图瓦片时的精度均达到90%以上,但判识层级为13的地图瓦片时的精度仅能达到73.14%,不能有效应用于自适应道路提取中。针对该问题,提出一种基于集成学习简单投票法的空间尺度智能判识方法,即将图像按瓦片的大小分解为多个子块,再利用深度学习模型判别各瓦片子块的空间尺度,最后将计算机判别最多的层次作为图像的预测空间尺度。实验证明,这种方法的判识精度达到100%,为自适应道路提取奠定了基础。(2)不同空间尺度下的道路提取深度学习方法研究首先,选择包含道路信息的典型样本,人工绘制道路面,构建和完善不同层级的道路样本库;在此基础上,利用样本库训练,获取不同空间尺度的道路提取深度学习模型。在遥感图像分类中,为实现像元级信息提取,将U-Net模型引入到道路提取中,根据实验发现,U-Net模型对层级17、18的遥感图像道路提取效果较好,但对层级16的遥感图像道路提取效果一般,因此对模型做出了一些改进后再进行道路提取,取得了更好的效果。(3)遥感图像自适应道路提取研究在遥感图像空间尺度智能判识和自适应道路提取方法研究的基础上,建立遥感图像自适应道路提取研究决策树。首先,对输入图像进行空间尺度的智能判识,根据判识结果调用特定层次的道路提取深度学习模型。经实践验证,本文方法在各空间尺度上均具有较高的道路提取精度,其研究方法和技术路线具有一定的理论意义和实践价值。