在遥感领域,从高分辨率遥感影像中自动提取城区道路是一个非常经典的任务,能够在城市规划、地理参考、交通导航、智能运输系统和地理信息整合等现实应用中扮演着重要角色,具有巨大的市场需求。传统通过人工标注的方式效率低下且标注工作十分乏味沉闷。本文基于深度学习方法,提出了一种多任务、端到端的城区道路提取方法,能够同步学习、预测道路表面、道路边缘和道路中心线。在网络结构设计中,为了使网络模型能够自动地学习多尺度、多层次的道路视觉特征,采用深度监督网络策略对各个卷积阶段输出的特征图进行直接监督,并将各个卷积阶段的预测特征图融合,得到最终的预测结果。在训练过程中,三个道路检测子任务的网络通过级联的方式整体训练,并且根据任务之间的关联性进行网络结构的优化,在保证预测准确性的前提下,使网络模型计算十分高效。在损失代价函数设计中,首先采用加权的交叉熵函数对不均衡的类别分布进行拟合,为了缓解由于该损失函数造成的过拟合问题,提出使用结构损失函数,从而在不使用非极大值抑制时,也能得到接近单像素宽的道路边缘和道路中心线。在后处理阶段,本文对大面幅的遥感影像进行裁切,并对预测结果进行双线性融合,缓解重叠区域预测不一致性问题。在存在阴影和遮挡的道路区域,本文提出一种简单的人机交互方法,允许用户使用单像素宽的画笔提高简略的辅助标记信息,提升模型的预测效果。最后,本文提出使用基于RANSAC直线拟合的方法,对道路中心线进行拟合和拓扑优化。为了验证本文提出方法的有效性和便于今后研究者们探索该任务,本文使用空间分辨率为0.21m的遥感影像,精心制作了一份道路检测的多任务数据集。实验结果表明,本文所提出的方法相比于计算机视觉中常见的语义分割网络方法,表现出明显的优越性。在本文提出的数据集上和其他学者发布的数据集上均取得了领先的成绩。