兴趣目标的路径规划在交通导航、指挥调度、应急搜救等领域具有较大的应用价值。常规做法一般采用具备拓扑关系的路网数据和兴趣目标库实现,其主要依赖于现有路网和目标数据的现势性和完整性。在如灾害救援、战场机动等某些应急场合下,现有道路网数据可能无法满足要求,并且数据的更新周期相对较长,将制约类似行动的开展。相对于道路网数据而言,遥感数据现势性强,获取手段丰富,因此,可基于智能手段及遥感影像进行路网数据的自动生成,实现无道路网数据库支撑下的应急路径规划。本文围绕遥感影像的兴趣目标路径规划中涉及的兴趣目标检测、道路网分割以及自动拓扑构建等方面进行了研究,主要研究内容和创新点如下:1.针对遥感影像中兴趣目标由于尺寸较小以及尺度不一造成检测难度大的问题,提出了一种改进的SSD目标检测算法。该算法在SSD中采用密集连接网络作为特征提取网络,且在密集连接模块之间构建特征金字塔,生成的多尺度特征用于目标检测。为验证算法性能,设计样本数据在线采集系统,采集以中小型目标为主的飞机及运动场样本集图片2574张作为数据集。实验结果表明:该算法在无迁移学习支持下依然能够达到好效果,较主流的Faster R-CNN和R-FCN算法mAP分别提升3.64%和2.97%,小目标检测mAP分别提升7.4%和5.15%,且训练过程不易发散,耗时更小。2.针对现有深度学习语义分割方法用于道路网分割难以充分考虑像素之间的关联问题,提出了一种结合语义分割模型与卷积条件随机场的道路网分割方法。该方法对现有的Deeplabv3+模型进行改进,首先将Deeplabv3+网络中的ReLU激活函数替换为SELU函数,构建SELU-Deeplabv3+网络,其次基于特征金字塔思想,将低层次特征融合高层次语义信息,将改进的Deeplabv3+作为语义分割网络,并在网络后端引入卷积条件随机场后处理模块,实现结构化预测。以马萨诸塞州道路数据集和DeepGlobe 2018道路数据集的道路分割为实验。实验结果表明:本文方法可达到较好分割效果,在马萨诸塞州道路数据集的Recall at breakeven(Bt)值达到90.89%,相比于Mnih方法和Saito方法分别提升了0.83%和0.42%,在DeepGlobe 2018道路数据集上MIoU较LinkNet34和Topology Loss方法分别提升4.65%和2.45%。3.设计了融合改进SSD与道路分割算法的遥感影像兴趣目标路径快速规划的整体实现框架及流程,并对其关键技术进行研究分析。基于网格划分思路实现了大范围的目标检测和道路网分割,基于瓦片地图思想对大范围的道路分割图进行索引存储,可实现大范围道路分割数据的快速存取及无缝拼接,针对兴趣目标路径规划任务需求情况不同,设计了基于道路细化图与A*算法的路径规划方法和基于道路拓扑图与Dijkstra算法的路径规划方法。在构建道路拓扑图过程中,设计了图的表达方式,并在此基础上,提出了一种利用卷积结合数组索引的方法实现道路节点搜索及优化。实验结果表明,本文提出的路径规划方法,在小区域范围内仅依托遥感影像数十秒可实现路径生成。4.设计开发了B/S架构下的兴趣目标搜索及其路径规划验证平台,通过兴趣目标检测、矢量道路提取以及路径规划实验分析,验证了平台的稳定性和可靠性,为本文算法的实际应用提供一种较为有效解决思路。