道路信息的提取与不断更新对于现代城市的发展有重要意义。现如今,对于遥感图像,尤其是高分辨率遥感图像的道路信息提取、道路数据库建立已经广泛应用于车辆导航、城市规划等方面。在遥感图像的获取中,存在着一系列不可避免的问题,如地形差异、阴影、遮挡等问题,将对道路提取带来一定的挑战。在影像数据量供给条件不同的情况下,需要考虑根据不同层次的道路特征进行道路提取。因此,本文将道路特征分析类型分为了底层特征和深度特征两种,基于这两种不同层次的特征进行了相关理论研究,并分别设计了不同类型的道路提取算法,整个研究过程包括以下几点内容:（1）了解基于高分辨率遥感影像进行道路提取的意义、技术难题等基础背景。分别基于底层特征、深度特征总结了关于道路提取的国内外研究现状。系统地研究了本文提出方法的一些相关的基础理论和算法,以上研究工作为后续新方法的设计奠定了一定的理论基础。（2）提出了一种结合改进的笔画宽度变换（stroke width transform,SWT）和融合多特征后的陆地移动距离（earth mover’s distance,EMD）进行高分遥感影像道路提取的方法。首先,结合连通分量分析将笔画宽度变换改进成了可自动确定其提取道路阈值以获取最优结果的方法。其次,确定一个道路参考区域,利用连通区作为索引分析道路参考区域与其他区域之间的特征相似度,通过提取纹理与光谱特征并计算加权融合后的特征EMD值,设定合理的阈值过滤大部分非道路区域,提取出其他道路区域。最后,进行形态学后处理得到最终提取结果。通过实验实现本文方法并与现有道路提取方法进行对比,经过定性及定量评估,证明该方法在提取不同场景的道路时均能达到理想效果且具有较高精度。（3）利用道路的深度特征,基于深度卷积神经网络的算法原理,提出了一种新的深度学习语义分割模型。首先,融合残差单元和条带池化模块设计出了可建立长距离特征目标捕获的自注意机制的Res-SP unit结构,并将此结构融入了Resnet34特征提取网络;然后,结合金字塔池化和条带池化模块设计出了有助于进一步捕捉不同尺度的长距离道路特征的PPSP模块;最后,基于经典的Unet编码器解码器结构,结合上述设计的模块搭建了适用于道路提取的SPRU-net网络模型。实验结果表明,该模型具有较好的道路提取效果和较高的精度结果。