道路提取作为遥感影像对象提取环节中的重要角色,可以为道路提供语义信息和位置信息,属于一种特殊的语义分割任务,目标是将图像像素分为道路对象和背景区域两个子集,并且为道路对象区域的每个像素分配一个统一的语义标签。卷积神经网络（CNN）具有参数少,局部特征利用充分,特征提取能力强等特点,是目前道路提取使用的主流方法。但是,类不平衡问题经常出现在CNN的训练集中,大大降低了CNN模型的性能。本文采用集成代价敏感学习和深度学习的方式,提出了针对高分辨率遥感影像道路提取中类不平衡问题的算法,主要工作和创新如下:（1）针对具有语义标签的高分辨率遥感影像数据集缺乏的问题,本文建立了类不平衡的高分辨率遥感影像语义分割数据集。该数据集由Bing地图下载的高分辨率遥感影像,结合OSM的矢量数据进行标注,拥有较高的分辨率,为0.28米,包含大量的道路和建筑物的语义标签,其中道路、建筑物和背景的样本比例分别为79.1%、11.2%和9.7%,各类样本比例相差较大。（2）传统的损失函数为了将真实类别所属的输出概率最大化,对于不属于正确类别的输出概率不进行考虑,赋予不同类相同的误分代价,无法区分易分样本和稀有样本,较多的简单样本造成大量的损耗,导致模型倾向于简单样本学习,而忽略了稀有困难样本。针对该问题,本文设计了自适应样本分布特征的代价敏感卷积神经网络算法。该算法首先通过统计训练数据的样本特征,对样本添加平衡因子,赋予少数类更大的权重。然后利用代价矩阵对损失函数进行修正,对不同的类赋予不同的误分代价,使代价敏感学习与卷积神经网络相结合,使模型具有代价敏感性。最后为了验证本文提出算法的有效性,在Zimbabwe数据集上进行了实验验证,在测试集上F1达到91.1%,相比于CE和Focal loss,F1分别提高了2.6%和0.3%。（3）针对高分辨率遥感影像道路提取中存在多尺度、类内差异较大和类不平衡问题,本文设计了基于道路感知的代价敏感语义分割网络Rar Cnet。首先,Rar Cnet在编码过程中使用Dense Net网络,增强了道路特征提取能力,同时利用特征金字塔网络（FPN）结构进行多尺度特征融合,在主干网络上构建道路嵌入分支,继承多尺度上下文特征,有效的解决了多尺度问题。然后利用地理空间场景与道路之间的共生关系,设计了R-S关系模块,关联道路相关的上下文信息,并且增强对道路特征的区分,利用这种共生关系抑制了背景特征,从而减少了类间的差异。最后为了减轻道路与背景之间的不平衡,提出了代价敏感优化,将网络逐渐集中在困难样本上,从而降低了背景中大量简单样本的梯度贡献,以进行道路与背景平衡训练。为了验证Rar Cnet的有效性,在Mnih数据集和Chengroads数据集上进行了对比实验,实验结果表明,Rar Cnet在不使用代价敏感优化时,F1值达到了75.2%和83.2%,在使用代价敏感优化时,F1值达到了79.7%和90.0%,分别提高了4.5%和6.8%。