城市场景中的道路自动提取是社会及众多行业发展的迫切需求,然而道路提取受其自身特征的多样性及周围场景复杂性的影响一直是极具挑战的任务。从遥感影像中自动半自动提取道路已经有了几十年的发展,从乡村的简单环境到城市地区的复杂场景,从低分辨率影像到高分辨率影像,不断有新的策略与方法用于此项工作,但至今尚无一种提取方法可以适合用于所有的场景和数据。影像数据缺乏三维信息,且大而积的阴影与遮挡以及路面的丰富细节信息都导致影像中的道路失去了明显的几何和反射特性,加大了识别难度。LiDAR技术可以快速获取地表面的三维点云,正好弥补了影像的这些缺陷,从LiDAR数据中提取道路是近十年来的研究热点。但LiDAR数据却也有不足,例如点云的离散不规则分布、缺乏地物清晰边缘和光谱信息,所以从LiDAR数据中自动提取完整道路,并融合LiDAR点云与遥感影像两种数据优化道路网络成为当前新的研究目标。本文针对基于LiDAR数据以及融合两种数据源的道路提取技术与方法进行了研究与探索,主要内容如下：1、总结了道路提取的相关方法,并从影像道路提取、LiDAR数据道路提取以及两种数据源融合的道路提取三个角度归纳了国内外的研究现状。2、研究影像中道路提取的主要方法,主要包括道路区域几何特征识别,道路中心线探测技术以及道路基元编组方法,并利用Meanshift影像分割、基于正交向排序的线特征探测及共线链编组法实现了道路检测和提取。3、研究基于LiDAR数据的道路提取策略与方法。目前已有的基于点云的道路线探测法,大多分两步实现：首先从地面点中分类道路点云,再内插影像提取中线。本文提出一种基于平而窗口自适应约束的多特征点云聚类法直接从离散不规则的地面点中探测道路中线。这种探测方法利用平面窗口约束,利用多特征将同类道路点向道路中心线聚集,将带状分布的道路点汇集为明显的线状分布,再利用道路的线状分布特性提取道路矢量。针对不同宽度的道路类型,设计平面约束窗口的自适应聚类以探测不同宽度道路中心线。最后利用棒张量投票算法计算地而点的道路显著特性,并结合迭代Hough变换提取道路基元。该方法采用数据驱动的方式,不需要内插影像、也无需先验模型,直接从点云中探测道路矢量线,省去了影像平滑、形态学的孔洞填补,道路中线细化、去除毛刺等操作,也减少了大量的参数设置。4、研究融合LiDAR点云与影像数据的道路网络构建与优化方法。针对道路在LiDAR点云数据和遥感影像中的特征,提出一套融合两种数据源的道路网络构建与优化方法。因为LiDAR点云含有地物点三维信息,能够有效的避免路而的大而积阴影与遮挡,所以将LiDAR数据中提取的矢量道路线作为初始值,并从中提取关键点,包括带连通道路方向的交叉口以及道路线形状特征点,利用关键点构建道路网络,并提出基元交叉口轮廓分析法提取交义道口类型信息用以验证初始交叉点中的错误。将LiDAR点云的反射强度、离散度与对应遥感影像的光谱信息融合,建立道路网络模型的能量函数,将道路网优化转换为多路径决策问题,利用粒子群优化及动态规划算法优化道路网络。5、利用几组数据验证基于LiDAR点云聚类的道路中线自动提取策略的可行性,并与另外三种方法比较,分析结果。利用这几组数据进行了LiDAR与影像融合的道路网络构建与优化试验,分析了优化对提高道路网络正确率及拓扑关系的意义。