高分辨率遥感道路图像是一种基于高质量的遥感技术所得到的道路图像,随着卫星技术的飞速进步,从遥感道路中提取道路在地图自动更新、城市道路规划、车辆智能导航等方面具有极其重要的经济价值和科研意义,如何将道路准确、快速地从遥感影像中分离出来,成为了当下摆在人们眼前的一道难题。本文对于遥感图像道路提取过程种出现的各种难点做出了针对性的研究,主要工作如下:（1）针对高分辨率遥感图像道路提取过程中通常会出现道路因土地覆盖、建筑覆盖、树木遮挡等情况导致道路提取困难的问题,本文设计了一个多任务关键点约束模块,通过计算道路像素点之间的语义约束角约束了道路之间的连接权重比,让道路像素点之间的连接更加具有先验性,改善了图像中由于道路难以识别导致其提取困难的问题,提高了模型在复杂场景下的道路提取能力。（2）针对遥感图像中,道路目标狭长且通常会呈现出一定的连续性,导致道路背景会在一定的区域范围之后进行更替,使得道路的背景信息变得复杂化,且会在图像场景更替的边缘出现不同大小的噪点,为此,本文添加了双注意力机制模块,让遥感道路图像的上下文信息在位置和通道这两个不同的维度专注于对道路本身信息的提取,而对其他冗余信息进行一定的过滤,通过此模块,提升了道路在高分率图像中的提取精度。（3）针对普通卷积神经网络在下采样的过程中,道路特征信息会随着特征图分辨率的不断下降而丢失,导致道路提取结果不够精确的问题,本文构建了一个多分支级联空洞空间金字塔模块,该模块可以在保持特征图分辨率不变的情况下进行多个分支不同尺度的特征提取,从而提高了道路提取的准确性。本文融合了上述的研究内容,提出了一个新的基于语义分割的高分辨遥感图像道路目标提取模型,在公有数据集Massachusetts数据集和私有数据集RSR数据集上进行了大量的实验,实验结果表明我们所提出的模型在道路提取方面具有更高的精度和良好的鲁棒性。