高分辨率遥感影像是地球表面地物的综合反映,通过图像分析和信息提取等技术对影像中的信息进行分析处理,进而服务于地理信息系统、智慧城市建设、智能交通系统等领域。随着经济的发展,人口的增加,使得城市交通变得便捷但又很拥挤,因此道路网的提取分析是一项有意义的工作。面对海量复杂的遥感数据,如何快速、有效地提取道路是一项亟待解决的问题。深度学习在图像处理方面取得很大的成功,它可以直接从标记的训练样本中学习,提取不同层次的图像特征,以便对输入图像中的研究对象更深入学习。本文对如何自动提取遥感影像中道路进行了深入系统的分析研究,分析了前人的研究成果,设计了一种新的道路提取的方法,主要工作如下:1)本文首先概述了遥感影像道路提取的研究现状,分析了传统的道路提取方法和基于深度学习方法进行道路提取的优缺点。阐述了高分辨率遥感影像进行道路提取的难点,提出一种基于多尺度特征融合的深度学习的方法。多尺度卷积神经网络模型主要由一个编码模块和一个解码模块组成,首先利用多个卷积池化层对图像进行编码提取图像的全局特征,然后在解码阶段利用反卷积层对不同尺度特征图进行提取,最后将不同尺度特征图进行融合得到最终的道路提取图。2)利用卷积神经网络进行道路提取的结果有时会存在断裂、噪声斑块等现象。针对这一现象,本文利用形态学的算法进一步优化道路提取的结果,首先利用形态学开闭运算对道路断线缝隙进行连接;之后基于道路的几何特征:道路的狭长指数和面积指数,将提取结果中的碎屑斑块进行消除,达到简单有效的后处理效果。本文分别在两个常用的高分辨率遥感影像道路提取数据集上,将提出的道路提取算法与深度学习领域中几种代表性的方法进行了对比分析。实验表明,本文提出的遥感影像道路提取的方法能够有效地对道路进行提取,且相比于其他方法在提取效果上有较明显的提升。