随着空间技术的飞速发展,空间遥感活动也得到了充分的扩展和应用,遥感信息已经成为一种不可或缺的地理信息数据源,相对于传统的地理信息,遥感信息更具有经济型、时效性、综合性等特点。同时,各类遥感数据获取系统的飞速发展,海量的遥感数据源源不断的发回地面,使得原有的遥感影像处理技术面临着前所未有的巨大挑战,因而,如何从海量遥感影像数据中优质高效地提取目标信息,已成为遥感技术及其应用领域中的一个热点问题。道路信息作为遥感信息中非常重要的一类地理信息,在交通导航、城市规划、军事侦察等领域有着广泛的应用,准确快速地获取道路信息才能满足现实应用的需求。但由于遥感道路信息的高度复杂性,且现今计算机自动化水平尚未达到相应的需求,到目前为止仍然没有一种成熟可靠的道路自动提取方法,所以道路自动提取技术也成为遥感信息处理领域中的研究热点之一。模糊数学,作为一种描述不确定状态的模糊性理论,为机器智能化奠定了理论基础和方法手段,使机器可以接受并理解自然事物,一方面提高了机器运作的灵活性,另一方面是机器更加“聪明”,智能化程度更高,更符合人类的思维方式,已成功运用于控制工程、人工智能、空间信息处理等领域。本文围绕模糊连接度理论在遥感道路提取方面的应用展开,对影像中道路的自动提取方法进行研究,提出将模糊数学理论与道路纹理特性相结合的提取方法,实现对道路的自动提取。本文主要工作和创新点包括:1)研究学习模糊数学理论中关于模糊连接度的知识,模糊连接度在影像处理中的表现形式及影响参数,通过对遥感道路影像进行种子点提取及模糊连接度扩展,验证模糊连接度算法在影像道路扩展方面的可行性。2)提出基于影像非监督分类算法的种子点校正策略,有效剔除影像中的非道路地物段,减少道路种子点误提取率,提高种子点影像的精确度,为模糊连接度扩展提供可靠的道路种子点。3)结合影像纹理特征,融入模糊连接度计算理论,建立纹理—模糊连接度概念,从局部性与区域性来同时考虑像素特征,更好的反映影像中道路边缘点之间的关联程度,为道路点扩展提供了一种更合适的特征值。通过实验证明,采用纹理—模糊连接度概念来扩展的道路影像比采用模糊连接度扩展的道路具有更精确、更稳健的效果。